CN113178076B - 一种车路协同系统和车路协同方法 - Google Patents
一种车路协同系统和车路协同方法 Download PDFInfo
- Publication number
- CN113178076B CN113178076B CN202110733524.1A CN202110733524A CN113178076B CN 113178076 B CN113178076 B CN 113178076B CN 202110733524 A CN202110733524 A CN 202110733524A CN 113178076 B CN113178076 B CN 113178076B
- Authority
- CN
- China
- Prior art keywords
- road
- roadside
- target
- data
- micro base
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004891 communication Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims description 43
- 238000004458 analytical method Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000011144 upstream manufacturing Methods 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 18
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 13
- 206010039203 Road traffic accident Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 239000010410 layer Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000006855 networking Effects 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 206010021033 Hypomenorrhoea Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/06—Selective distribution of broadcast services, e.g. multimedia broadcast multicast service [MBMS]; Services to user groups; One-way selective calling services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
Abstract
本发明提供一种车路协同系统和车路协同方法,属于通信技术领域,其中,车路协同系统包括:边缘云、路侧计算节点和路侧微基站;路侧计算节点用于获取所述路侧基础设施采集的原始交通数据,并基于该原始交通数据确定交通信息;路侧微基站包括:近距离广播通讯模组和移动网络通讯模组,近距离广播通讯模组用于将获取的所述交通信息发送至第一覆盖范围内的交通参与元素,移动网络通讯模组用于将获取的所述交通信息发送至边缘云,所述第一覆盖范围为路侧微基站的覆盖范围。本发明实施例能够降低车路协同系统的时延和建设成本,并提高车路协同系统处理效率。
Description
技术领域
本发明涉及信息与通信技术领域,尤其涉及一种车路协同系统和车路协同方法。
背景技术
在相关的自动驾驶/辅助驾驶技术中,基于车路协同(Ehicle-to-Everything,V2X)服务平台来实现所有交通参与元素的互联互通、协同计算以及监控管理等功能。
现有的V2X服务平台主要实现方式是:在边缘云(Multi-access Edge Computing,MEC)层远程连接路侧基础设施和车载设备,以获取路侧基础设施采集到的原始交通数据,然后基于该原始交通数据进行车路协同计算,在得出计算结果之后,再将计算结果信息回传至路侧本地,以通过路侧本地的路侧单元将计算结果推送给相关的交通参与元素。
由上可知,现有的车路协同系统中,边缘云先接收路侧基础设施采集到的原始交通数据,再对原始交通数据进行分析计算,最后通过路侧单元将计算结果回传给车辆的方案,使得路侧基础设施、边缘云、车辆之间需要进行多次数据交互,这会导致网络传输时延较长问题。
发明内容
本发明提供一种车路协同系统和车路协同方法,能够解决相关技术中的车路协同系统存在的时延较长的问题。
为解决上述技术问题,本发明是这样实现的:
第一方面,本发明提供了一种车路协同系统,包括:边缘云、路侧计算节点以及与所述路侧计算节点对应设置的路侧微基站;
所述路侧计算节点与路侧基础设施连接,所述路侧计算节点用于获取所述路侧基础设施采集的原始交通数据,并基于所述原始交通数据确定交通信息;
所述路侧微基站包括:近距离广播通讯模组和移动网络通讯模组,且所述近距离广播通讯模组和所述移动网络通讯模组分别与对应的路侧计算节点连接,以获取所述对应的路侧计算节点的交通信息;
所述近距离广播通讯模组用于将获取的所述交通信息发送至第一覆盖范围内的交通参与元素,所述移动网络通讯模组用于将获取的所述交通信息发送至所述边缘云,所述第一覆盖范围为所述路侧微基站的覆盖范围。
第二方面,本发明提供了一种车路协同方法,应用于如第一方面所述的车路协同系统,所述车路协同方法,包括:
获取路侧基础设施采集的交通原始数据;
在路侧本地基于所述交通原始数据确定交通信息;
对所述交通信息进行广播,并将所述交通信息发送至边缘云。
本发明提供的车路协同系统,通过设置在道路本地的路侧计算节点,实施的获取路侧基础设施采集的交通原始数据,并根据该交通原始数据计算出交通信息,然后通过与该路侧计算节点对应的路侧微基站广播至附近的交通参与元素,可以在道路本地实现计算和广播功能,从而减少了交通参与元素接收到交通信息的时延。
附图说明
图1是本发明实施例提供的一种车路协同系统的结构图;
图2a是第i帧点云数据的中间运动轨迹的示意图;
图2b是第i帧图像帧数据中的第一运动轨迹的示意图;
图2c是第一识别目标和第二识别目标分别在第i帧时的相对位置示意图;
图2d是第一识别目标和第二识别目标分别在第i-1帧时的相对位置示意图;
图3是时间发生点与路口的位置关系示意图;
图4是本发明实施例提供的一种车路协同系统分别与路侧基础设施和交通参与元素的连接关系示意图;
图5是本发明实施例提供的一种车路协同方法的流程图。
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作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。
当前自动驾驶/辅助驾驶的技术路线目前分为两派:单车智能和网联智能。其中,单车智能目前在研发推广的过程中存在感知范围有限、复杂场景判断失误、车辆改造成本高昂等问题;因此,基于5G网络的大带宽、低时延、高稳定、广距感知的网联智能驾驶技术受到更多的关注,目前将网联智能驾驶技术作为自动驾驶/辅助驾驶的主要技术发展路线。而车路协同(Vehicle to Everything,V2X)服务平台是网联自动驾驶/辅助驾驶的基础和刚性需求,V2X服务平台通过连接海量路侧基础设施、海量车载设备以及其它交通参与者,实现所有交通参与元素的互联互通、协同计算以及监控管理,并将协同计算的结果(自动驾驶/辅助驾驶所必需依赖的决策支撑信息)进行及时、稳定、精准的推送;同时进一步将所搜集的数据进行汇总分析,进而为优化改善交通治理提供必需的决策支撑信息。
现有的V2X服务平台主要实现方式是:在边缘云(Multi-access Edge Computing,MEC)层远程连接路侧基础设施和车载设备,然后进行车路协同计算,再将计算结果信息回传至路侧本地的路侧单元,以通过路侧单元将该计算结果信息推送给相关交通参与元素。其中,由于边缘云的部署位置位于网络的接入层或更上层的数据中心,在典型的车路协同场景中,路侧基础设施(典型的包括高清摄像机、毫米波雷达、激光雷达等)将原始采集数据传输到边缘云数据中心中进行融合分析等处理,待处理完成后再将结果数据回传到路侧本地的路侧单元,以通过路侧单元将该结果数据推送给道路上的交通参与元素(典型如自动驾驶车辆的车载单元(On board Unit,OBU))以供其行为决策。这样导致往返的网络传输时延通常在50毫秒左右甚至更高,这样,使得现有技术中的车路协同服务平台在处理一些超低时延的自动驾驶场景(例如:协同近距离交通参与元素、中高速自动驾驶等场景)时,存在因时延过长而无法满足特定场景对于车路协同计算的性能需求。
从另一方面来说,现有的V2X服务中,边缘云需要基于5G网络将计算结果数据发送至路侧单元,才能够使路侧单元将该计算结果数据广播推送至附近的车辆等交通参与元素,当网络发生故障时,将直接导致V2X服务中断,网联自动驾驶车辆会因失去对道路状况的实时感知能力,而失去行为决策能力,车辆被迫由驾驶员介入接管,此过程中可能导致发生交通事故的风险。
而本发明提供的车路协同系统中,在路侧部署路侧计算节点,以在路侧本地根据交通基础设备采集的原始交通数据进行融合分析等计算,以得到计算结果,并通过路侧微基站将该计算结果推送至附近的交通参与元素,且该路侧微基站还能够将该计算结果以及原始交通数据远程发送至边缘云中,以使边缘云能够基于接收的数据对低时延业务所需的数据进行分析处理。这样,无需边缘云返回计算结果,便可以通过路侧计算节点对原始交通数据进行计算,并通过路侧微基站直接将计算结果推送给附近的交通参与元素,从而省却了数据往返的网络时延,以及时的对道路上的交通参与元素提供车路协同计算服务,从而利用本发明实施例提供的车路协同系统能够降低车路协同服务中的数据处理时延,以提升处理效率;另外,鉴于本发明是将计算节点部署在路侧本地直接提供计算服务,所以即使网络发生故障,也仍然可对道路上距离路侧计算节点距离较近交通参与元素(典型如自动驾驶车辆)持续提供服务,而不会直接中断服务(即降级服务(只提供路侧计算节点的计算结果,而不提供边缘云提供的计算结果)而不中断服务),自动驾驶车辆仍可感知到近距离内的道路实时状况并做出相应行驶决策,降低交通事故发生的可能性;也就是说,利用本发明实施例提供的车路协同系统可以提升车路协同服务在网络故障等情况下的可用性。
下面将结合附图,对本发明实施例提供的车路协同系统和车路协同方法进行举例说明。
请参阅图1,是本发明实施例提供的一种车路协同系统的结构图,如图1所示,该车路协同系统包括:边缘云101、路侧计算节点102以及与路侧计算节点102对应设置的路侧微基站103。
路侧计算节点102与路侧基础设施连接,所述路侧计算节点102用于获取所述路侧基础设施采集的原始交通数据,并基于所述原始交通数据确定交通信息;
路侧微基站103包括:近距离广播通讯模组1031和移动网络通讯模组1032,且近距离广播通讯模组1031和移动网络通讯模组1032分别与对应的路侧计算节点102连接,以获取所述对应的路侧计算节点102的交通信息;
近距离广播通讯模组1031用于将获取的所述交通信息发送至第一覆盖范围内的交通参与元素20,移动网络通讯模组1032用于将获取的所述交通信息发送至边缘云101,所述第一覆盖范围为路侧微基站103的覆盖范围。
在具体实施中,上述路侧基础设施可以包括摄像头、激光雷达、毫米波雷达等设备,该路侧基础设施可以采集2维图像数据和3维点云数据,也就是说上述原始交通数据可以包括2维图像数据和3维点云数据中的至少一项,当然,在具体实施中,上述路侧基础设施还可以包括超声波测速仪等,相应的,上述原始交通数据还可以包括行驶速度等数据,在此并不穷举。
另外,上述路侧计算节点102基于所述原始交通数据确定交通信息,可以是路侧计算节点102基于所述原始交通数据进行车路协同计算,例如:数据融合分析计算等,以对超低时延的车路协同服务所需的数据进行计算,并计算出的交通信息(例如:路段上的车流量、障碍物等信息)通过对应的路侧微基站进行广播或者上报至云端。
在具体实施中,如图4所示,路侧计算节点102包括工控机1021,该工控机1021以有线方式直接连接路侧基础设施(例如:高清摄像机41、激光雷达42,信号灯43等),获取路侧基础设施采集到的原始数据(例如:视频流、激光雷达点云数据、信号灯数据等)。运行于工控机1021上的AI计算模块通过将所获取的摄像机视频数据、激光雷达点云数据进行融合,以使工控机1021基于该融合后的数据确定交通信息。
在具体实施中,上述路侧微基站103和路侧计算节点102均设置于路侧本地,且路侧计算节点102可以通过有线光纤与路侧基础设施连接,以获取路侧基础设施采集到的原始交通数据,而路侧微基站103和路侧计算节点102对应设置可以是,路侧微基站103和路侧计算节点101一一对应设置;当然,在具体实时中,也可以将相互靠近且位于同一路侧微基站103的近距离通信覆盖范围内的至少两个路侧计算节点102与该同一个路侧微基站103对应。其中,对应的路侧微基站103和路侧计算节点102相互连接,以使路侧微基站103能够获取对应的路侧计算节点102计算出的交通数据。
在具体实施中,上述近距离广播通讯模组1031可以是无线PC5通讯模组,且移动网络通讯模组1032可以是蜂窝网络通讯模组。也就是说,上述路侧微基站可以是设置在路侧本地的5G微基站,且通过在传统的5G微基站设备的通讯模组的基础上,进一步集成PC5通讯模组,以使该5G微基站中的双模模组能够同时为5G蜂窝网络和V2X网络提供服务,从而使用一部微基站设备实现双网组网的融合。其相较于现有技术中采用蜂窝网络和V2X网络各自独立组网建设/运营的部署方案,可以避免路侧单元(Road Side Unit,RSU)设备的部署,从而降低车路协同网络基础设施的建设成本和后续的运营成本。
需要说明的是,随着通信网络技术的发展,上述路侧微基站除了可以是集成PC5通讯模组的5G微基站之外,还可以是4G微基站或者今后可能出现的6G微基站等,在此不作具体限定。
在近距离广播通讯模组1031是PC5通讯模组的基础上,近距离广播通讯模组1031将获取的所述交通信息发送至第一覆盖范围内的交通参与元素20,可以理解为:PC5通讯模组通过近距离广播的方式向第一覆盖范围内的交通参与元素20广播获取的所述交通信息。
本发明提供的车路协同系统,通过设置在道路本地的路侧计算节点,实施的获取路侧基础设施采集的交通原始数据,并根据该交通原始数据计算出交通信息,然后通过与该路侧计算节点对应的路侧微基站广播至附近的交通参与元素,可以在道路本地实现计算和广播功能,从而减少了交通参与元素接收到交通信息的时延;另外,路侧微基站具有近距离广播通讯模组和移动网络通讯模组,因此使用一个路侧微基站便可以实现双网组网的融合,从而避免了在道路本地设置单独的路侧单元,从而降低了车路协同系统基础设施的建设成本和运营成本。
作为一种可选的实施方式,边缘云101与目标区域内的全部路侧微基站103关联;
所述边缘云101用于接收所述目标区域内的全部交通信息,基于所述目标区域内的全部交通信息进行区域性分析处理,并将所述区域性分析处理的结果发送至目标路侧微基站103,以通过所述目标路侧微基站103对所述交通信息进行广播,其中,所述车路协同系统包括所述目标路侧微基站103和所述目标区域内的全部路侧微基站103。
在具体实施中,上述边缘云101与目标区域内的全部路侧微基站103关联,可以理解为:边缘云101与目标区域内的全部路侧微基站103通信连接,且每一个边缘云101用于管理其对应的目标区域内的全部路侧微基站103所在的路段的交通信息,从而使该边缘云101与其对应的目标区域内的全部路侧微基站103通信连接(例如:通过5G蜂窝网络连接),以接收目标区域内的全部路侧微基站103通过移动网络通讯模组上报的交通信息,或者,路侧计算节点102还将其获取到的交通原始数据传输至对应的路侧微基站103,且该路侧微基站103在上报交通信息的同时,还将交通原始数据也上报至对应的边缘云101,也就是说,边缘云101还接收目标区域内的全部路侧微基站103通过移动网络通讯模组1032上报的交通原始数据。
另外,边缘云101的部署位置可以位于网络接入层或网络接入层之上的边缘数据中心,该边缘云101主要针对于交通参与元素之间距离较远、低时延的驾驶场景,负责统筹管理边缘云覆盖范围内(即与边缘云关联的路侧微基站所对应的路侧计算节点)的路侧计算节点102,并搜集各个路侧计算节点102同步上传的路侧基础设施的原始交通数据和路侧计算节点102得出的交通数据,以及对原始交通数据进行数据存储,并基于路侧计算节点102得出的交通数据进行区域性分析处理。
在实际应用中,边缘云101的支撑和覆盖范围(目标区域)可以根据实际情况和需要而确定,例如:可以是示范区/园区所在的区域,也可以是城市所在的区域。
上述边缘云101基于所述目标区域内的全部交通信息进行区域性分析处理,可以理解为:对于V2X服务中,需要进行区域性分析的数据进行区域性车路协同计算。且上述目标路侧微基站103可以是目标区域内与上述区域性分析处理的结果相关的路侧微基站103。
例如:当某一路段发生交通事故时,确定该交通事故造成的交通拥堵是否会对其他路段上的交通造成影响,在确定该交通事故造成的交通拥堵会对其他路段上的交通造成影响时,可以将该交通事故信息下发至其他受影响的路段上的路侧微基站,以使路侧微基站对接收到的交通事故信息进行广播,从而使受影响的其他路段上的自动驾驶车辆/辅助驾驶车辆能够提前调整行车策略。
本实施方式中,可以利用边缘云101为目标区域内的交通参与元素提供跨路侧计算节点的中远距离车路协同信息推送服务和区域交通管理服务。
作为一种可选的实施方式,如图4所示,所述车路协同系统还包括:中心云104;
中心云104与所述车路协同系统中的全部边缘云101连接;
其中,中心云104用于接收全部边缘云101分别发送的目标信息,以使所述中心云104基于所述全部边缘云101的目标信息进行全局分析处理,其中,所述目标信息包括以下至少一项:原始交通数据、交通信息和所述区域性分析处理的处理结果。
在具体实施中,上述中心云104的部署位置位于网络核心层之上的云计算数据中心,上述中心云104基于所述全部边缘云101的目标信息进行全局分析处理,可以理解为:针对时延不敏感业务或者离线计算业务,中心云104负责搜集边缘云101同步上传的数据,依据该数据与进行全网数据汇总管理、全局业务运营管理、全局设备管理、全局交通大数据分析、交通决策优化等,以从全局层面更好的支撑智慧交通的改善与治理。
在实际应用中,可以根据实际业务的紧急程度来确定该业务使属于超低时延业务、低时延业务还是时延不敏感业务。其中,超低时延业务所需的数据由路侧计算节点102进行计算,并通过路侧微基站103将计算结果广播至附近的交通参与元素;对于低时延业务,则通过路侧微基站103将交通信息上报至边缘云101,以在边缘云101中计算得到该低时延业务所需的数据,并将该低时延业务所需的数据下发至路侧微基站103,以通过路侧微基站103广播至附近的交通参与元素;另外,对于时延不敏感业务或者离线计算业务,可以通过边缘云101将目标信息上报至中心云104,并在中心云104中计算得到该时延不敏感业务或者离线计算业务所需的数据后,依次通过边缘云101和路侧微基站103下发计算结果,以通过路侧微基站103广播至附近的交通参与元素。
本实施方式中,使用基于路侧计算节点102-边缘云101-中心云104三层分级分布式协同计算的车路协同系统架构,充分整合利用本地计算、边缘计算以及云计算这三层计算资源的计算优势,构建计算资源的分级和分布式架构,以分别针对道路本地超低时延驾驶场景、区域范围低时延需求驾驶场景、全局范围时延不敏感业务场景或离线计算业务,实现计算的“因地制宜”和“物尽其用”。
作为一种可选的实施方式,边缘云101还用于基于以下筛选策略中的至少一项确定所述目标路侧微基站:
将距离道路异常事件的发生点第一预设距离内,且位于所述道路异常事件的发生点上游方向的路侧计算节点对应的路侧微基站确定为所述目标路侧微基站;
将位于第一路口与所述道路异常事件的发生点之间的路侧计算节点对应的路侧微基站确定为所述目标路侧微基站,其中,所述第一路口位于所述道路异常事件的发生点的上游,且与所述道路异常事件的发生点的距离最近的路口;
在所述第一路口包括与所述道路异常事件的发生点相关的分流路口的情况下,将位于所述分流路口的上游第三预设距离内的路侧计算节点对应的路侧微基站确定为所述目标路侧微基站;
在所述第一路口包括与所述道路异常事件的发生点相关的合流路口的情况下,将位于所述合流路口的上游第四预设距离内的路侧计算节点对应的路侧微基站确定为所述目标路侧微基站。
在具体实施中,道路异常事件的发生点所在路段上的路侧基础设施检测到道路异常事件相关的交通原始数据,该路段上的路侧计算节点基于该数据计算得到该道路异常事件相关的交通信息,然后通过对应的微基站将该交通信息广播给该路段上的交通参与元素,并将该交通信息上报给边缘云,边缘云同步获取目标区域内的全部微基站上报的数据,并确定该道路异常事件相关联的其他路段,从而将该交通信息下发给其他路段上的目标路侧微基站,以通过目标路侧微基站广播至其他路段上的交通参与元素。
在具体实施中,上述第一预设距离可以根据实际需求进行设置,例如:1000米、2000米等,在此不作具体限定。
在一种可选的实施方式中,在道路异常事件的发生点上游的第一路口与该道路异常事件的发生点的距离小于第一预设距离的情况下,可以仅对第一路口和该道路异常事件的发生点之间的路侧微基站确定为目标路侧微基站。
也就是说,假设第一预设距离等于1000米,且事件发生点距上游路口距离为N米,若N>=1000米,则选择上游方向1000米范围内的路侧微基站为目标路侧微基站;若N<1000米,则选择该道路异常事件的发生点的上游方向的N米范围内的路侧微基站为目标路侧微基站。例如:如图3所示,A表示道路异常事件发生点,则当A的上游方向上的路口(即图中路口4)与A之间的距离小于1000米时,将A和路口4之间的路侧微基站确定为目标路侧微基站;当A和路口4之间的距离大于等于1000米时,仅将A上游方向1000米内的路侧微基站确定为目标路侧微基站。
这样,可以在道路异常事件的发生点上游的第一路口与该道路异常事件的发生点的距离小于第一预设距离的情况下,缩小广播范围,以减少不必要的交通信息广播。
在另一种可选的实施方式中,上述第一路口包括与所述道路异常事件的发生点相关的分流路口的情况,可以理解为:查找道路异常事件发生点所在路段的上游方向路口,并判断该上游方向路口对于该道路异常事件是否存在分流作用(例如:如图3所示,A表示道路异常事件发生点,则路口2、路口6和路口8为A的分流路口)。如果判断结果为“是”,则选取对于该道路异常事件是否存在分流作用的上游方向路口周围第三预设距离内的路侧微基站为目标路侧微基站。
其中,上述第三预设距离可以等于第一预设距离。
本实施方式中,可以对道路异常事件上游的分流路口附近的交通参与元素广播路异常事件发生点的交通信息,以使收听到该交通信息的交通参与元素根据该交通信息提前转入分流路段,从而减轻道路异常事件发生点所在路段的道路拥堵等情况。
在另一种可选的实施方式中,上述第一路口包括与所述道路异常事件的发生点相关的合流路口的情况,可以理解为:查找道路异常事件发生点所在路段的上游方向路口,并判断该上游方向路口对于该道路异常事件是否存在合流作用(例如:如图3所示,A表示道路异常事件发生点,则路口1、路口3、路口4和路口7为A的合流路口)。如果判断结果为“是”,则选取对于该道路异常事件是否存在合流作用的上游方向路口周围第四预设距离内的路侧微基站为目标路侧微基站。
其中,上述第四预设距离也可以等于第一预设距离。
本实施方式中,可以对道路异常事件上游的合流路口附近的交通参与元素广播路异常事件发生点的交通信息,以使收听到该交通信息的交通参与元素根据该交通信息提前变换交通路线或提前减速,从而避免因道路异常事件干扰而额外的交通事故。
综上,通过边缘云101确定与交通信息相关的目标路侧微基站的方式,能够扩大了交通信息的广播范围,且同时提升了交通信息广播的针对性,从而提高了整个平台的处理效率。
作为一种可选的实施方式,如图4所示,所述路侧基础设施包括:摄像机41和雷达42;所述原始交通数据包括:摄像机41拍摄到的图像帧数据和雷达42采集到的3D点云数据;
路侧计算节点102用于对所述图像帧数据和所述3D点云数据进行融合分析处理,以得到所述交通信息。
在实施中,上述对所述图像帧数据和所述3D点云数据进行融合分析处理,可以理解为:将图像帧数据和3D点云数据中相同的目标物的信息进行结合,以实现在二维图像上显示的目标物同时具备可视化的2维信息和移动速度、尺寸等3维信息。
在具体实施中,上述对所述图像帧数据和所述3D点云数据进行融合分析处理,以得到所述交通信息的具体过程如下:
对所述图像帧数据中的第一识别目标进行跟踪,以得到所述图像帧数据中的每个第一识别目标在二维图像坐标内的第一运动轨迹;
对所述3D点云数据中的第二识别目标进行跟踪,以得到所述3D点云数据中的每个第二识别目标的第二运动轨迹;
将所述第二运动轨迹映射至所述二维图像坐标内,以得到中间运动轨迹;
将目标中间运动轨迹与每个第一识别目标的第一运动轨迹进行匹配,且在匹配成功的情况下,将所述目标中间运动轨迹对应的第二识别目标与所述匹配成功的第一运动轨迹对应的第一识别目标进行融合,以得到融合识别目标,其中,所述中间运动轨迹包括所述目标中间运动轨迹。
在实际应用中,摄像头41和雷达42分别可以采集多个按照时间顺序排列的图像帧和点云数据帧,对该多个图像帧和多个点云数据帧中的目标物(例如:车辆、行人、路障等)分别进行识别和跟踪,便可以分别得到第一识别目标在二维图像中的第一运动轨迹,和第二识别目标在三维空间内的第二运动轨迹。
在应用中,第一识别目标与第二识别目标是相互重复的,即对于每一个第一识别目标,分别存在与该第一识别目标指示相同交通参与元素的一个第二识别目标。通过上述对所述图像帧数据和所述3D点云数据进行融合分析处理的过程,可以确定每一个第一识别目标对应的第二识别目标,并将两者进行合并,以使合并口的识别目标同时具备颜色、位置等2维信息和尺寸、距离等3维信息。
在实施中,可以基于第一识别目标与第二识别目标在同一时刻的相对位置关系(例如:两者的位置是否接近或重叠)来对第一识别目标和第二识别目标进行匹配融合。
可选的,所述将目标中间运动轨迹与每个第一识别目标的第一运动轨迹进行匹配的步骤,包括:
基于目标中间运动轨迹中的第二识别目标在目标时刻的第一坐标位置,确定目标区域,其中,所述目标区域以所述第一坐标位置为中心;
基于所述每个第一识别目标的第一运动轨迹,分别确定每个第一识别目标在所述目标时刻的第二坐标位置;
基于所述第二坐标位置与所述目标区域之间的相对位置关系,对所述目标中间运动轨迹与每个第一识别目标的第一运动轨迹进行匹配。
例如:如图2a至图2d所示,具体融合步骤包括:
步骤1、对3D点云数据中的第二识别目标,使用基于卡尔曼滤波的多目标跟踪器进行跟踪,得到每个第二识别目标的第二运动轨迹:{{Q11,Q12,...,Q1n1},{Q21,Q22,...,Q2n2},...,{Qj1,Qj2,...,Qjnj}}(即如图2a所示的轨迹),其中,n和j分别为正整数,n表示3D点云数据的总帧数,j表示第二识别目标的总数量,且每个第二识别目标具有唯一的标识(ID),则Qjnj表示第j个第二识别目标在第n帧点云数据中的3维位置。
步骤2、对图像帧数据中的第一识别目标使用基于卡尔曼的多目标跟踪器进行跟踪,得到每个第一识别目标的第一运动轨迹:{{P11,P12,...,P1m1},{P21,P22,...,P2m2},...,{Pi1,Pi2,...,Pimi}}(即如图2b所示的轨迹),其中,m和i分别为正整数,m表示图像帧数据的总帧数,i表示第一识别目标的总数量,且每个第一识别目标具有唯一的标识(ID),则Pimi表示第i个第一识别目标在第m帧点云数据中的2维位置。
步骤3、针对3D点云数据中的每个第二识别目标,通过摄像头标定的参数,将其轨迹投影到二维图像坐标上,得到每个第二识别目标在图像帧序列上的投影轨迹{{T11,T12,...,T1n1},{T21,T22,...,T2n2},...,{Tj1,Tj2,...,Tjnj}}(也就是说,将第二运动轨迹投影在第一运动轨迹所在的二维图像坐标上)。
步骤4、在图像上,以投影轨迹中的坐标Tj为中心,选择一个矩形区域(如图2c和图2d所示矩形框B,其中,图2c表示第二识别目标Tj及其附近的第二识别目标在第i帧时刻的相对位置,图2c表示第二识别目标Tj及其附近的第二识别目标在第i-1帧时刻的相对位置)范围,搜索区域范围内包含的第一识别目标,对每个第一识别目标进行投票,具体的投票过程为:若第一识别目标在矩形框B内,第一识别目标的投票数加1,最终选取票数最高的第一识别目标作为与Tj对应的第二识别目标的匹配第一识别目标。
具体的,可以依次对Tj1至Tjnj分别执行上述投票过程,以使每一个第一识别目标具有n个投票数,此时对每一个第一识别目标的n个投票数进行累加,以使投票总最高的一个第一识别目标作为与Tj对应的第二识别目标的匹配第一识别目标。
在实际应用中,可能存在2个或2个以上投票数并列第1的情况,此时,选取Tj与该第一识别目标在图像上的实际坐标Pi之间平均欧式距离最小的第一识别目标,作为与Tj对应的第二识别目标匹配的第一识别目标。
最后,将相互匹配的第一识别目标与第二识别目标的信息进行融合,以使融合后的识别目标具备位置、速度、图像识别结果(例如:是人物、车辆还是障碍物等)信息,从而能够基于该融合后的识别目标的信息发现道路上是否存在异常事件、以及异常事件的发生点等交通信息。
本实施方式中,路侧计算节点通过将所获取的摄像机视频数据、激光雷达点云数据,采用基于目标运动轨迹匹配的投票机制算法进行融合,充分利用目标在数据帧序列中的运动轨迹信息,与传统的仅使用一帧数据来进行点云目标(即第二识别目标)和图像目标(即第一识别目标)匹配的方法相比,该方法能改善误匹配的情况,有效提高融合的精度,并且保持了传统融合方法的处理速度。
可选的,如图4所示,所述路侧基础设施还包括:信号灯43;
所述路侧计算节点102还用于对所述信号灯43的信号灯数据进行数据解析处理;
所述近距离广播通讯模组1031还用于将所述数据解析处理后的信号灯数据发送至覆盖范围内的交通参与元素。
在具体实施中,上述路侧计算节点102对所述信号灯43的信号灯数据进行数据解析处理,可以理解为:路侧计算节点102根据信号灯43的红绿灯周期等信号灯数据确定未来具体时刻该信号灯是红灯还是绿灯,或者直接将信号灯43当前的状态(是红灯还是绿灯)解析成交通参与元素能够识别的数据后,广播给交通参与元素。
本实施方式中,路侧计算节点102和路侧微基站103还能够告知交通参与元素路灯数据,以使交通参与元素根据自身情况自行进行判断和采纳该路灯数据,从而据此进行下一步的实时行动决策(典型如自动驾驶的实时行驶决策)。
请参阅图5是本发明实施例提供的一种车路协同方法的流程图,本发明实施例提供的车路协同方法可以应用于如图1或图4所示车路协同系统,且所述车路协同方法可以包括以下步骤:
步骤501、获取路侧基础设施采集的交通原始数据。
步骤502、在路侧本地基于所述交通原始数据确定交通信息。
步骤503、对所述交通信息进行广播,并将所述交通信息发送至边缘云。
需要说明的是,上述步骤501与路侧计算节点获取路侧基础设施采集的交通原始数据的过程对应;上述步骤502与路侧计算节点基于所述原始交通数据确定交通信息的过程对应;且上述步骤503与:近距离广播通讯模组将获取的所述交通信息发送至第一覆盖范围内的交通参与元素,移动网络通讯模组将获取的所述交通信息发送至所述边缘云的过程对应,且本发明实施例提供的车路协同方法与且本发明实施例提供的车路协同系统具有相同的有益效果,在此不作赘述。
可选地,所述原始交通数据包括:所述摄像机拍摄到的图像帧数据和所述雷达采集到的3D点云数据,基于所述交通原始数据确定交通信息,包括:
对所述图像帧数据和所述3D点云数据进行融合分析处理,以得到所述交通信息。
进一步地,所述对所述图像帧数据和所述3D点云数据进行融合分析处理,以得到所述交通信息的步骤,包括:
对所述图像帧数据中的第一识别目标进行跟踪,以得到所述图像帧数据中的每个第一识别目标在二维图像坐标内的第一运动轨迹;
对所述3D点云数据中的第二识别目标进行跟踪,以得到所述3D点云数据中的每个第二识别目标的第二运动轨迹;
将所述第二运动轨迹映射至所述二维图像坐标内,以得到中间运动轨迹;
将目标中间运动轨迹与每个第一识别目标的第一运动轨迹进行匹配,且在匹配成功的情况下,将所述目标中间运动轨迹对应的第二识别目标与所述匹配成功的第一运动轨迹对应的第一识别目标进行融合,以得到融合识别目标,其中,所述中间运动轨迹包括所述目标中间运动轨迹。
更进一步地,所述将目标中间运动轨迹与每个第一识别目标的第一运动轨迹进行匹配的步骤,包括:
基于目标中间运动轨迹中的第二识别目标在目标时刻的第一坐标位置,确定目标区域,其中,所述目标区域以所述第一坐标位置为中心;
基于所述每个第一识别目标的第一运动轨迹,分别确定每个第一识别目标在所述目标时刻的第二坐标位置;
基于所述第二坐标位置与所述目标区域之间的相对位置关系,对所述目标中间运动轨迹与每个第一识别目标的第一运动轨迹进行匹配。
需要说明的是,上述对所述图像帧数据和所述3D点云数据进行融合分析处理的具体过程和说明,可以参照本发明实施例提供的车路协同系统中路侧计算节点对所述图像帧数据和所述3D点云数据进行融合分析处理的具体过程和说明,在此不再赘述。
另外,上述基于所述第二坐标位置与所述目标区域之间的相对位置关系,对所述目标中间运动轨迹与每个第一识别目标的第一运动轨迹进行匹配的实施方式,与如图2a至图2d所示融合匹配过程相对应,且具有相同的有益效果,在此不再赘述。
本发明实施例提供的车路协同方法与如图1或图4所示车路协同系统中边缘云、路侧计算节点以及路侧微基站执行的各个过程相对应,且具有相同的有益效果,在此不再赘述。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。
Claims (7)
1.一种车路协同系统,其特征在于,包括:边缘云、中心云、路侧计算节点以及与所述路侧计算节点对应设置的路侧微基站;
所述路侧计算节点与路侧基础设施有线连接,所述路侧计算节点用于获取所述路侧基础设施采集的原始交通数据,并基于所述原始交通数据确定交通信息;
所述路侧微基站包括:近距离广播通讯模组和移动网络通讯模组,且所述近距离广播通讯模组和所述移动网络通讯模组分别与对应的路侧计算节点连接,以获取所述对应的路侧计算节点的交通信息;
所述近距离广播通讯模组用于将获取的所述交通信息发送至第一覆盖范围内的交通参与元素,所述移动网络通讯模组用于将获取的所述交通信息发送至所述边缘云,所述第一覆盖范围为所述路侧微基站的覆盖范围;
所述边缘云与目标区域内的全部路侧微基站关联;
所述边缘云用于接收所述目标区域内的全部交通信息,基于所述目标区域内的全部交通信息进行区域性分析处理,并将所述区域性分析处理的结果发送至目标路侧微基站,以通过所述目标路侧微基站对所述交通信息进行广播,其中,所述车路协同系统包括所述目标路侧微基站和所述目标区域内的全部路侧微基站;
所述边缘云基于以下筛选策略中的至少一项确定所述目标路侧微基站:
将距离道路异常事件的发生点第一预设距离内,且位于所述道路异常事件的发生点上游方向的路侧计算节点对应的路侧微基站确定为所述目标路侧微基站;
将位于第一路口与所述道路异常事件的发生点之间的路侧计算节点对应的路侧微基站确定为所述目标路侧微基站,其中,所述第一路口位于所述道路异常事件的发生点的上游,且与所述道路异常事件的发生点的距离最近的路口;
在所述第一路口包括与所述道路异常事件的发生点相关的分流路口的情况下,将位于所述分流路口的上游第三预设距离内的路侧计算节点对应的路侧微基站确定为所述目标路侧微基站;
在所述第一路口包括与所述道路异常事件的发生点相关的合流路口的情况下,将位于所述合流路口的上游第四预设距离内的路侧计算节点对应的路侧微基站确定为所述目标路侧微基站;
所述中心云与所述车路协同系统中的全部边缘云连接;
其中,所述中心云用于接收所述全部边缘云分别发送的目标信息,以使所述中心云基于所述全部边缘云的目标信息进行全局分析处理,其中,所述目标信息包括以下至少一项:原始交通数据、交通信息和所述区域性分析处理的处理结果。
2.根据权利要求1所述的车路协同系统,其特征在于,所述路侧基础设施包括:摄像机和雷达;所述原始交通数据包括:所述摄像机拍摄到的图像帧数据和所述雷达采集到的3D点云数据;
所述路侧计算节点用于对所述图像帧数据和所述3D点云数据进行融合分析处理,以得到所述交通信息。
3.根据权利要求1所述的车路协同系统,其特征在于,所述路侧基础设施还包括:信号灯;
所述路侧计算节点还用于对所述信号灯的信号灯数据进行数据解析处理;
所述近距离广播通讯模组还用于将所述数据解析处理后的信号灯数据发送至覆盖范围内的交通参与元素。
4.一种车路协同方法,其特征在于,应用于如权利要求1-3中任一项所述的车路协同系统,所述车路协同方法包括:
获取路侧基础设施采集的交通原始数据;
在路侧本地基于所述交通原始数据确定交通信息;
对所述交通信息进行广播,并将所述交通信息发送至边缘云。
5.根据权利要求4所述的车路协同方法,其特征在于,所述原始交通数据包括:摄像机拍摄到的图像帧数据和雷达采集到的3D点云数据,基于所述交通原始数据确定交通信息,包括:
对所述图像帧数据和所述3D点云数据进行融合分析处理,以得到所述交通信息。
6.根据权利要求5所述的车路协同方法,其特征在于,所述对所述图像帧数据和所述3D点云数据进行融合分析处理,以得到所述交通信息的步骤,包括:
对所述图像帧数据中的第一识别目标进行跟踪,以得到所述图像帧数据中的每个第一识别目标在二维图像坐标内的第一运动轨迹;
对所述3D点云数据中的第二识别目标进行跟踪,以得到所述3D点云数据中的每个第二识别目标的第二运动轨迹;
将所述第二运动轨迹映射至所述二维图像坐标内,以得到中间运动轨迹;
将目标中间运动轨迹与每个第一识别目标的第一运动轨迹进行匹配,且在匹配成功的情况下,将所述目标中间运动轨迹对应的第二识别目标与所述匹配成功的第一运动轨迹对应的第一识别目标进行融合,以得到融合识别目标,其中,所述中间运动轨迹包括所述目标中间运动轨迹。
7.根据权利要求6所述的车路协同方法,其特征在于,所述将目标中间运动轨迹与每个第一识别目标的第一运动轨迹进行匹配的步骤,包括:
基于目标中间运动轨迹中的第二识别目标在目标时刻的第一坐标位置,确定目标区域,其中,所述目标区域以所述第一坐标位置为中心;
基于所述每个第一识别目标的第一运动轨迹,分别确定每个第一识别目标在所述目标时刻的第二坐标位置;
基于所述第二坐标位置与所述目标区域之间的相对位置关系,对所述目标中间运动轨迹与每个第一识别目标的第一运动轨迹进行匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110733524.1A CN113178076B (zh) | 2021-06-30 | 2021-06-30 | 一种车路协同系统和车路协同方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110733524.1A CN113178076B (zh) | 2021-06-30 | 2021-06-30 | 一种车路协同系统和车路协同方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113178076A CN113178076A (zh) | 2021-07-27 |
CN113178076B true CN113178076B (zh) | 2021-11-12 |
Family
ID=76928007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110733524.1A Active CN113178076B (zh) | 2021-06-30 | 2021-06-30 | 一种车路协同系统和车路协同方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113178076B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808389A (zh) * | 2021-08-11 | 2021-12-17 | 深圳市金溢科技股份有限公司 | 车路协同系统、边缘计算单元、中心云平台及信息处理方法 |
CN114170799A (zh) * | 2021-12-03 | 2022-03-11 | 北京市首都公路发展集团有限公司 | 一种车路协同通信系统 |
CN114679476B (zh) * | 2022-02-15 | 2023-10-24 | 浙江大华技术股份有限公司 | 信息采集方法、系统、路侧系统及存储介质 |
CN114826900B (zh) * | 2022-04-22 | 2024-03-29 | 阿里巴巴(中国)有限公司 | 针对分布式云架构的服务部署处理方法及装置 |
CN115440070A (zh) * | 2022-07-22 | 2022-12-06 | 中智行(苏州)科技有限公司 | 基于车路协调的自动驾驶交通信号灯信息获取系统和方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109688224A (zh) * | 2018-12-28 | 2019-04-26 | 国汽(北京)智能网联汽车研究院有限公司 | 一种智能网联汽车云控平台架构 |
CN110874945A (zh) * | 2018-08-31 | 2020-03-10 | 百度在线网络技术(北京)有限公司 | 基于车路协同的路侧感知系统及其车辆控制方法 |
US20200168081A1 (en) * | 2017-06-20 | 2020-05-28 | Cavh Llc | Intelligent road infrastructure system (iris): systems and methods |
CN111367292A (zh) * | 2020-03-20 | 2020-07-03 | 特路(北京)科技有限公司 | 自动驾驶汽车智能道路系统 |
CN111798665A (zh) * | 2020-09-10 | 2020-10-20 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种道路系统 |
-
2021
- 2021-06-30 CN CN202110733524.1A patent/CN113178076B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200168081A1 (en) * | 2017-06-20 | 2020-05-28 | Cavh Llc | Intelligent road infrastructure system (iris): systems and methods |
CN110874945A (zh) * | 2018-08-31 | 2020-03-10 | 百度在线网络技术(北京)有限公司 | 基于车路协同的路侧感知系统及其车辆控制方法 |
CN109688224A (zh) * | 2018-12-28 | 2019-04-26 | 国汽(北京)智能网联汽车研究院有限公司 | 一种智能网联汽车云控平台架构 |
CN111367292A (zh) * | 2020-03-20 | 2020-07-03 | 特路(北京)科技有限公司 | 自动驾驶汽车智能道路系统 |
CN111798665A (zh) * | 2020-09-10 | 2020-10-20 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种道路系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113178076A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113178076B (zh) | 一种车路协同系统和车路协同方法 | |
CN112068548B (zh) | 5g环境下面向特殊场景的无人驾驶车辆路径规划方法 | |
US10349011B2 (en) | System and method for improved obstacle awareness in using a V2X communications system | |
US10229590B2 (en) | System and method for improved obstable awareness in using a V2X communications system | |
US10613547B2 (en) | System and method for improved obstacle awareness in using a V2X communications system | |
CN113313936A (zh) | 用于运载工具的交通灯检测系统 | |
CN113378947A (zh) | 一种面向露天矿区无人运输的车路云融合感知系统及方法 | |
CN117651848A (zh) | 车路协同多车路径规划和路权决策方法、系统和路基单元 | |
CN112270834A (zh) | 一种应用于5g智慧交通工具的车路人行驶方法及系统 | |
CN115879060A (zh) | 基于多模态的自动驾驶感知方法、装置、设备和介质 | |
US11636623B2 (en) | Systems and methods for camera alignment using pre-distorted targets | |
US20230387976A1 (en) | Antenna monitoring and selection | |
CN115240470A (zh) | 基于nr-v2x的弱势交通参与者碰撞预警系统与方法 | |
CN114845267A (zh) | 一种基于车联网的传感器数据共享方法和装置 | |
Correa et al. | TransAID deliverable 5.2: V2X-based cooperative sensing and driving in transition areas (second iteration) | |
Lu et al. | An anti-collision algorithm for self-organizing vehicular ad-hoc network using deep learning | |
CN110794821B (zh) | 车载控制装置、场端定位装置、车辆控制系统及车辆 | |
Amendola et al. | D1. 4-Final Release Of The Smart City Use Case | |
US20230224794A1 (en) | Proactive Transceiver and Carrier Automated Arbitration | |
US20240038065A1 (en) | Managing traffic light detections | |
US20230373529A1 (en) | Safety filter for machine learning planners | |
US20240124029A1 (en) | Selecting a vehicle action based on a combination of vehicle action intents | |
US20230388481A1 (en) | Image based lidar-camera synchronization | |
CN110775055B (zh) | 车载控制装置、场端定位装置、车辆控制系统及车辆 | |
US20240124016A1 (en) | Ensemble-based vehicle motion planner |
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 |