CN113487874A - 一种跟驰行为场景数据采集、识别、分类提取系统及方法 - Google Patents
一种跟驰行为场景数据采集、识别、分类提取系统及方法 Download PDFInfo
- Publication number
- CN113487874A CN113487874A CN202110587293.8A CN202110587293A CN113487874A CN 113487874 A CN113487874 A CN 113487874A CN 202110587293 A CN202110587293 A CN 202110587293A CN 113487874 A CN113487874 A CN 113487874A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- following
- target
- vehicles
- classification
- 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
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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种跟驰行为场景数据采集、识别、分类提取系统及方法,基于自车CAN获取实际道路驾驶场景下的自车信息,摄像头、雷达实时感知采集与之交互的车辆信息及周围环境信息,工控机对获取数据进行存储,通过数据分析处理软件能够实现数据预处理,结合自开发跟驰识别分类算法能够实现对跟驰场景的识别分类,最后可基于场景提取模块对各类跟驰场景数据及视频进行自动提取。本发明能够提高跟驰行为场景识别精度及效率,并且能够细化跟驰行为场景分类,对搭建适用于我国交通环境的跟驰驾驶场景分类数据库具有十分重要的意义,能够遍历针对城市干道及高速公路的全部跟驰场景,为跟驰智能驾驶决策模型研发及测试验证提供对应的全场景数据支持。
Description
技术领域
本发明属于智能驾驶技术研发及测试验证领域,尤其是涉及一种跟驰行为场景数据采集、识别、分类提取系统及方法。
背景技术
驾驶场景是指一段时间内车辆与环境中其它车辆、设施、天气、光照、道路等因素综合交互的结果。驾驶场景库构建贯穿智能驾驶汽车研发及测试全生命周期,是加速智能驾驶技术研发及测试评价的有效途径。车辆跟驰行为是指车辆在单一车道上列队行驶,随道路交通流密度增大,自车与前车间距减小,自车随所在车道内相邻前车行驶且受前车制约的驾驶行为。在智能驾驶领域,赋予其时间属性并定义为跟驰行为场景,隶属驾驶场景库。
针对驾驶场景的数据采集、识别、分类提取技术是驾驶场景数据库构建的基础,主要包括四个关键步骤:场景解构、场景分类及分类标准制定、场景模式识别及目标筛选、智能驾驶场景提取模块链生成。在我国,目前研发人员多通过肉眼识别方式对道路试验行程中的特定驾驶场景进行识别分类,不仅需要大量人力物力投入,还存在场景识别准确率低、耗时长、场景边界模糊、漏识别和误识别多等问题。部分专家学者对场景自动识别提取进行了大量研究,提出了诸如前向危险场景识别、车辆变道预警场景识别、盲区监测场景识别等方法,但大部分自动场景识别准确度不高,存在大量漏判及误判情况,且识别分类不够细致,很难用于支撑驾驶场景库构建。
发明内容
有鉴于此,本发明旨在提出一种跟驰行为场景数据采集、识别、分类提取系统及方法,以试验车辆为载体,基于摄像头与雷达连接工控机实现场景数据采集及存储,基于数据后处理模块、识别分类算法及场景提取模块实现跟驰行为场景识别、分类提取,能够提高跟驰行为场景识别精度及效率,并且能够细化跟驰行为场景分类,对于跟驰行为场景数据库构建具有重要意义。
为达到上述目的,本发明的技术方案是这样实现的:
本申请一方面提出一种跟驰行为场景数据采集、识别、分类提取系统,包括感知数据采集模块、数据存储器模块、数据后处理模块、场景提取模块;
所述感知数据采集模块采集信息包括目标物速度、目标物相对位置和目标物类型;
所述数据存储器模块与感知数据采集模块连接用以获取目标物信息及环境信息,数据存储器模块还与车辆CAN总线5连接,用以获取自车相关信息;
所述数据后处理模块运用数据存储模块获得的信息数据进行滤波处理,提高跟驰场景数据可用性;滤波处理后的数据通过数据后处理模块中的场景识别分类算法处理实现对一段完整驾驶场景中的跟驰场景识别分类;
所述场景提取模块用于提取需要的并经过场景识别分类算法确认有效的跟驰片段数据与视频;输入完整的驾驶场景采集数据及视频信息,自定义所需的跟驰场景分类系数,实现完整驾驶场景中满足该分类系数要求的自车、目标车、道路环境等信息及与之对应的跟驰视频片段的自动提取,生成固定格式的数据文件及视频文件。
进一步的,所述感知数据采集模块包括毫米波雷达1和功能摄像头3;毫米波雷达1固设于车辆前保险杠附近,用于目标物位置及速度测试,功能摄像头3通过安装支架固定在车辆前挡风玻璃内侧,用于识别周围信息包括交通环境中行人、两轮车、轿车、卡车、车道线,同时也能够输出目标物位置及速度信息;所述毫米波雷达和功能摄像头3均与数据存储器模块连接;
所述数据存储器模块为车载工控机,设置于试验车辆内;所述工控机6内设置数据采集分析软件,用以处理道路试验获取的自然驾驶数据。
数据后处理模块包括数据滤波模块及数据分析软件;数据滤波模块对部分原始数据进行滤波处理,提高跟驰场景数据可用性;数据分析软件进行数据分析,支持场景识别分类算法开发。
另一方面,本申请基于权利要求1所述的一种跟驰行为场景数据采集、识别、分类提取系统的采集、识别、分类提取方法,其特征在于:具体步骤包括:
S1.对周围目标进行感知定位,确定目标空间位置;
S2.从周围目标中标定疑似跟随目标,再从疑似跟随目标中锁定跟随目标;
S3.确定道路类型及对应道路的参数阈值,输入跟驰约束条件,对跟驰需满足的本车信息及跟随目标信息进行跟驰条件约束;
S4.在满足跟驰约束条件下,输入时间约束条件进行时间约束,进而获取有效的跟驰片段;
S5.对有效的跟驰片段进行跟驰场景大类划分,包括恒前车跟驰、前车切出及旁车切入三大类型;
S6.以恒前车跟驰、前车切出及旁车切入三大类型为基础分别进行跟驰场景精细划分。
进一步的,步骤S1中,
所述对周围目标进行感知定位前需将感知数据采集模块采集到的坐标位置进行统一标定,具体方法如下;
定义毫米波雷达位置为坐标原点,将功能摄像头输出目标信息(Xm,Ym,Zm)与毫米波雷达相对位置(Xr,Yr,Zr)进行统一(Xc,Yc,Zc),计算方法如下:
所述确定目标空间位置的方法如下:
将目标与本车距离及目标所处车道位置进行标定,定义目标所处车道位置辅助系数kl;
毫米波雷达获取目标与本车相对距离ρ、毫米波雷达获取目标与本车偏航角θ、功能摄像头获取车辆至左侧车道线距离Ll、功能摄像头获取车辆至右侧车道线距离Lr;
计算目标与本车横向距离X、目标与本车纵向距离Y,
计算方法如下:
计算目标所处车道位置辅助系数kl,
目标所处车道位置辅助系数kl依据功能摄像头提供车道线位置进行判断,判断准则如下:
其中,D为车辆宽度,
若kl=1为目标与本车处于同一车道,进入步骤S2;若kl=0为目标与本车不处于同一车道,为无效数据。
进一步的,步骤S2中,
所述标定疑似跟随目标方法如下:
若车道位置辅助系数kl=1,证明该目标与本车处于同一车道,输出该目标与本车纵向距离Y,筛选并输出所有处于同车道的目标ID对应纵向距离Y,进行对比确定具有最小纵向距离的目标i,即为标定疑似跟随目标;
最终获得目标ID号i及其相关位置及速度信息;
所述锁定跟随目标方法如下:
对毫米波雷达及功能摄像头探测目标横向、纵向距离进行对比,锁定目标物;
定义毫米波雷达和功能摄像头横向偏差阈值XSmax、毫米波雷达和功能摄像头纵向偏差阈值YSmax,用于锁定疑似跟随目标对应的功能摄像头目标ID。
定义毫米波雷达获取目标ID序号为i、i目标与本车相对距离为ρ、i目标与本车偏航角为θ、功能摄像头所获取目标物与本车相对距离为(Xm,Ym,Zm);
定义疑似目标对标辅助系数ks,所述对标辅助系数ks定义准则如下:
其中,ks=1,为在结合毫米波雷达和功能摄像头综合判断下锁定的目标;ks=0,表示毫米波雷达与功能摄像头所获取不是同一目标物,不可作为目标;
基于ks=1时所锁定的目标物,利用功能摄像头获取该目标所属类型,引入本车跟随目标物类型系数kobj,区分大型车和小型车,剔除行人、两轮车等干扰目标。
进一步的,步骤S3中,
所述道路类型及对应道路的参数阈值的确定方法如下;
获取本车速度vsv、跟随目标与本车的纵向距离Y、两车相对速度vr、两车车头时距THW;
定义道路类型系数kw;针对高速公路及城市干道,基于自然驾驶数据统计分布所获取的本车速度vsv、跟随目标与本车的纵向距离Y、两车相对速度vr、两车车头时距THW参数范围有所区别,通过对数据进行宏观统计获取较高置信度水平下的对应不同类型道路的参数阈值,通过跟驰片段中各类参数数值隶属阈值范围确定该片段对应道路类型系数kw;
其中,车头时距THW是指在同一车道上行驶的车辆队列中,两连续车辆车头端部通过某一断面的时间间隔。
所述跟驰约束条件为本车信息约束及跟随目标信息约束,确定道路类型系数kw后,利用本车总线信息、跟随目标信息和交通环境道路信息,对跟驰驾驶场景进行判断;
本车总线信息包括自车位置、自车速度;
跟随目标信息包括目标位置、目标速度、相对速度、车头时距;
交通环境道路信息包括左右车道线位置。
所述跟驰约束条件的具体设置方法如下:
获取本车速度vsv、跟随目标车速度vobj、跟随目标和本车的纵向距离Y、跟随目标与本车的相对速度vr、跟随目标与本车的车头时距THW、本车与左侧车道线横向距离Ll、本车与右侧车道线横向距离Lr;
定义跟驰约束辅助系数kr;
本车信息约束主要包含本车位置信息约束和速度信息约束,本车位置约束是确保本车不发生变道,引入左右车道距离阈值LLmax、LLmin、LRmax、LRmin,本车速度约束是确保本车始终保持移动;
跟随目标信息约束主要包括目标车速度、两车纵向距离、纵向相对速度、车头时距约束,
其中,目标速度约束是为了确保车辆跟随移动目标;目标纵向距离约束是对两车纵向间距进行约束,引入纵向距离阈值Ymax、Ymin剔除间距过大导致不构成跟驰关系及间距过小导致不符合安全性的驾驶场景;两车纵向相对速度约束是对目标车与本车纵向相对速度进行约束,引入相对速度阈值vRmax剔除部分急加速或急减速导致的危险跟驰场景;车头时距约束是对跟驰车头时距进行约束,引入车头时距阈值THWmin保证提取场景满足安全性要求;
判断依据如下:
当且仅当场景满足所有跟驰约束条件时,kr的输出值为1,否则输出0。
进一步的,步骤S4中,所述时间约束是对最短车辆跟驰时间进行约束,在驾驶过程中存在极其复杂的连续变换驾驶场景情况,
针对此类场景,所述时间约束条件具体判断方法如下:
引入跟驰时间阈值Tmin剔除短时复杂变化场景;
当某段数据对应kr=1,且持续时间≥Tmin时,认定为一段有效跟驰片段;
输出跟驰有效片段标记k,后续结合场景提取模块直接对有效片段进行提取。
进一步的,步骤S5中,恒前车跟驰、前车切出及旁车切入三大类型分类方法如下:
获取跟驰目标i的纵向距离Y、前一时刻的纵向距离Ydelay;
针对旁车切入场景和前车切出场景,利用本车与目标前车纵向距离是否发生阶跃变化进行判断,以所跟驰车辆纵向距离Y与前一时刻纵向距离Ydelay作判定依据,出现差值阶跃式增大,大于所设定阈值YT则为前车切出场景,出现差值阶跃式减小,小于所设定阈值-YT则为旁车切入场景;
定义跟驰场景分类系数kc,作为跟随目标切换识别标志;
计算准则如下:
在满足条件kr=1时认定开始跟驰,kr=1持续时间≥Tmin,kc=1,则认定为恒前车跟驰;
在满足条件kr=1时认定开始跟驰,kr=1持续时间≥Tmin,kc≠1,则提取对应此时刻的前10s及后10s作为包含旁车切入或前车切出的跟驰片段;
此外,针对复合型跟驰片段,如前段恒前车跟驰持续时间≥Tmin+10s,中段前车切出后继续跟驰前方车辆,后段跟驰车辆持续时间≥Tmin+10s,通过kr、kc取值变化将片段进行分割,形成两个恒前车跟驰片段及一个前车切出片段。
进一步的,步骤S6中,
以恒前车跟驰为基础进行跟驰场景精细划分,具体方法如下:
在恒前车跟驰分类下,SV表示自车,FV1表示所跟驰前车,考虑自车SV与前车FV1相对运动状态、FV1车辆类型、道路类型进行分类;
其中,自车SV与前车FV1相对运动状态分类针对两车相对运动状态,包含迫近、稳定及渐远三种跟驰状态,
获取自车SV与前车FV1相对速度vr、两车相对纵向距离Y,
当自车SV与前车FV1相对速度vr为正或两车相对纵向距离Y不断加大,则自车迫近跟驰;当自车SV与前车FV1相对速度vr为负或两车相对纵向距离Y不断缩小,则自车渐远跟驰,当自车SV与前车FV1相对速度vr相差不多,为自车稳定跟驰;
定义两车相对运动状态判断系数α1,取值α1=1对应迫近、α1=2对应稳定、α1=3对应渐远;
FV1车辆类型分类主要针对所跟驰前车类型,
获取功能摄像头所判断目标物类型kobj,
定义恒跟驰前车目标物类型系数α2,取值α2=1对应大型、α2=2对应小型;
道路类型分类主要包含城市干道及高速公路,
获取跟驰道路类型系数kw,
定义道路类型系数α3,取值α3=1对应城市干道、α3=2对应高速公路;
以前车切出为基础进行跟驰场景精细划分,具体方法如下:
在前车切出跟驰分类下,SV表示自车,FV1表示切出前跟驰车辆,FV2表示切出后跟驰车辆,考虑FV1类型分类、FV2类型分类、FV1切出方向分类、道路类型分类、切出前SV与FV1相对运动状态分类、切出后SV与FV2相对运动状态分类。
其中,FV1车辆类型分类主要针对切出车辆类型,
获取切出前功能摄像头所判断目标物类型kobj,
定义切出前目标物类型系数β1,取值β1=1对应大型、β1=2对应小型;
FV2车辆类型分类主要针对切出后跟驰车辆类型,
获取切出后功能摄像头所判断目标物类型kobj,
定义切出后所跟驰车辆目标物类型系数β2,取值β2=1对应大型、β2=2对应小型;
FV1切出方向分类主要通过自车与目标车辆相对横向距离X进行判断,
获取两车相对横向距离X,正向增大表明向右切出,负向减小表明向左切出,
定义FV1切出方向分类系数β3,取值β3=1对应向左切出、β3=2对应向右切出;
道路类型分类主要包含城市干道及高速公路,
获取跟驰道路类型系数kw,
定义道路类型系数β4,取值β4=1对应城市干道、β4=2对应高速公路;
切出前SV与FV1相对运动状态分类针对切出时刻kc=2前,获取SV与FV1相对运动状态,包含迫近、稳定及渐远三种跟驰状态,
获取切出前两车相对速度vr、两车相对纵向距离Y,
当SV与FV1相对速度vr为正或两车相对纵向距离Y不断加大,则两车迫近跟驰;当SV与FV1相对速度vr为负或两车相对纵向距离Y不断缩小,则两车渐远跟驰,当SV与FV1相对速度vr相差不多,为两车稳定跟驰;
定义两车相对运动状态判断系数β5,取值β5=1对应迫近、β5=2对应稳定、β5=3对应渐远;
切出后SV与FV2相对运动状态分类针对切出时刻kc=2后,获取SV与FV2相对运动状态,包含迫近、稳定及渐远三种跟驰状态,
获取切出后两车相对速度vr、两车相对纵向距离Y,
当SV与FV2相对速度vr为正或两车相对纵向距离Y不断加大,则两车迫近跟驰;当SV与FV2相对速度vr为负或两车相对纵向距离Y不断缩小,则两车渐远跟驰,当SV与FV2相对速度vr相差不多,为两车稳定跟驰;
定义两车相对运动状态判断系数β6,取值β6=1对应迫近、β6=2对应稳定、β6=3对应渐远;
以旁车切入为基础进行跟驰场景精细划分,具体方法如下:
在旁车切入跟驰分类下,SV表示自车,FV2表示旁车切入前跟驰车辆,FV1表示旁车切入后跟驰车辆,考虑FV1类型分类、FV2类型分类、FV1切入方向分类、道路类型分类、切入前SV与FV2相对运动状态分类、切入后SV与FV1相对运动状态分类;
其中,FV1车辆类型分类主要针对切入车辆类型,包含大型车辆及小型乘用车辆两种,通过功能摄像头可直接给出目标物ID对应类型,
获取切入后功能摄像头所判断目标物类型kobj,
定义所切入前车目标物类型系数γ1,取值γ1=1对应大型、γ1=2对应小型;
FV2车辆类型分类主要针对切入前所跟驰车辆类型,
获取切入前功能摄像头所判断目标物类型kobj,通过功能摄像头可直接给出目标物ID对应类型,
定义切入前所跟驰车辆目标物类型系数γ2,取值γ2=1对应大型、γ2=2对应小型;
FV1切入方向分类主要通过自车与目标车辆相对横向距离X进行判断,
获取两车相对横向距离X,正向减小表明从右侧切入,负向增大表明从左侧切入,
定义FV1切入方向分类系数γ3,取值γ3=1对应向左切出、γ3=2对应向右切出;
道路类型分类主要包含城市干道及高速公路,
获取跟驰道路类型系数kw,
定义道路类型系数γ4,取值γ4=1对应城市干道、γ4=2对应高速公路;
切入前SV与FV2相对运动状态分类针对切入时刻kc=3前,获取SV与FV2相对运动状态,包含迫近、稳定及渐远三种跟驰状态,
获取切入前两车相对速度vr、两车相对纵向距离Y,
当SV与FV2相对速度vr为正或两车相对纵向距离Y不断加大,则两车迫近跟驰;当SV与FV2相对速度vr为负或两车相对纵向距离Y不断缩小,则两车渐远跟驰,当SV与FV2相对速度vr相差不多,为两车稳定跟驰;
定义两车相对运动状态判断系数γ5,取值γ5=1对应迫近、γ5=2对应稳定、γ5=3对应渐远;
切入后SV与FV1相对运动状态分类针对切入时刻kc=3后,获取SV与FV1相对运动状态,包含迫近、稳定及渐远三种跟驰状态,
获取切入后两车相对速度vr、两车相对纵向距离Y,
当SV与FV1相对速度vr为正或两车相对纵向距离Y不断加大,则两车迫近跟驰;当SV与FV1相对速度vr为负或两车相对纵向距离Y不断缩小,则两车渐远跟驰,当SV与FV1相对速度vr相差不多,为两车稳定跟驰;
定义两车相对运动状态判断系数γ6,取值γ6=1对应迫近、γ6=2对应稳定、γ6=3对应渐远。
相对于现有技术,本发明所述的一种跟驰行为场景数据采集、识别、分类提取系统及方法具有以下有益效果:
(1)本发明所述的一种跟驰行为场景数据采集、识别、分类提取系统及方法以试验车辆为载体,基于车辆CAN、摄像头与雷达连接工控机实现自车及场景数据采集及存储,基于数据后处理模块、识别分类算法及场景提取模块实现跟驰行为场景识别、分类提取,能够提高跟驰行为场景识别精度及效率,并且能够细化跟驰行为场景分类,对于跟驰行为场景数据库构建具有重要意义。
(2)本发明所述跟驰场景识别算法能够对跟驰场景进行识别,所述跟驰场景分类算法能够将所识别跟驰场景分为3大类共300小类,每类跟驰场景都有与之对应的分类系数,故能够实现场景细致分类,用于支撑分类细化的跟驰行为场景库构建,对跟驰决策算法的研发及验证测试提供数据支持。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的一种跟驰行为场景数据采集、识别、分类提取系统各组件示意图;
图2为本发明实施例所述的跟驰场景识别算法示意图;
图3为本发明实施例所述的恒前车跟驰场景示意图;
图4为本发明实施例所述的前车切出场景示意图;
图5为本发明实施例所述的旁车切入场景示意图;
图6为本发明实施例所述的恒前车跟驰和前车切出复合场景示意图;
图7为本发明实施例所述的跟驰场景分类算法示意图;
图8为本发明实施例所述的一种跟驰行为场景数据采集、识别、分类提取系统及方法各组件工作流程图。
附图标记说明:
1-毫米波雷达;2-蓄电池;3-功能摄像头;4-逆变器;5-车辆CAN总线;6-工控机。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
如图1、图2所示,包括感知数据采集模块、数据存储器模块、数据后处理模块、场景提取模块;
所述感知数据采集模块采集信息包括目标物速度、目标物相对位置(距离和角度)和目标物类型;
所述数据存储器模块与感知数据采集模块连接用以获取目标物信息及环境信息,数据存储器模块还与车辆CAN总线5连接,用以获取自车相关信息;
所述数据后处理模块运用数据存储模块获得的信息数据进行滤波处理,提高跟驰场景数据可用性;滤波处理后的数据通过数据后处理模块中的场景识别分类算法处理实现对一段完整驾驶场景中的跟驰场景识别分类;
所述场景提取模块用于提取需要的并经过场景识别分类算法确认有效的跟驰片段数据与视频;输入完整的驾驶场景采集数据及视频信息,自定义所需的跟驰场景分类系数,实现完整驾驶场景中满足该分类系数要求的自车、目标车、道路环境等信息及与之对应的跟驰视频片段的自动提取,生成固定格式的数据文件及视频文件。
如图1、图2所示,所述感知数据采集模块包括毫米波雷达和功能摄像头;毫米波雷达固设于车辆前保险杠附近,用于目标物的位置及速度测试,功能摄像头3通过安装支架固定在车辆前挡风玻璃内侧,用于识别周围信息包括交通环境中行人、两轮车、轿车、卡车、车道线,同时也能够输出目标物位置及速度信息;所述毫米波雷达和功能摄像头3均与工控机6连接,并通过车辆12V蓄电池2供电;
所述数据存储器模块为大容量车载工控机,设置于试验车辆内;所述工控机通过逆变器4与车辆12V蓄电池2连接;所述工控机6内设置数据采集分析软件,用以处理道路试验获取的自然驾驶数据。
所述工控机具有存储空间大、接口配置齐全、运算能力强等特点;所述逆变器4将车辆12V蓄电池2直流电转换为220V交流电,为工控机6供电。
数据后处理模块包括数据滤波模块及数据分析软件;数据滤波模块对部分原始数据进行滤波处理,提高跟驰场景数据可用性;数据分析软件进行数据分析,支持场景识别分类算法开发。
如图2-图5所示,基于所述的一种跟驰行为场景数据采集、识别、分类提取系统的采集、识别、分类提取方法,具体步骤包括:
S1.对周围目标进行感知定位,确定目标空间位置;
S2.从周围目标中标定疑似跟随目标,再从疑似跟随目标中锁定跟随目标;
S3.确定道路类型及对应道路的参数阈值,输入跟驰约束条件,对跟驰需满足的本车信息及跟随目标信息进行跟驰条件约束;
S4.在满足跟驰约束条件下,输入时间约束条件进行时间约束,进而获取有效的跟驰片段;
S5.对有效的跟驰片段进行跟驰场景大类划分,包括恒前车跟驰、前车切出及旁车切入三大类型;
S6.以跟恒前车跟驰、前车切出及旁车切入三大类型为基础分别进行跟驰场景精细划分。
如图2所示,步骤S1中,
所述对周围目标进行感知定位前需将感知数据采集模块采集到的坐标位置进行统一标定,具体方法如下;
将感知数据采集模块采集到的坐标位置进行统一标定,定义毫米波雷达位置为坐标原点,将功能摄像头输出目标信息(Xm,Ym,Zm)与毫米波雷达相对位置(Xr,Yr,)进行统一(Xc,Yc,Zc),计算方法如下:
所述确定目标空间位置的方法如下:
将目标与本车距离及目标所处车道位置进行标定,定义目标所处车道位置辅助系数kl;
毫米波雷达获取目标与本车相对距离ρ、毫米波雷达获取目标与本车偏航角θ、功能摄像头获取车辆至左侧车道线距离Ll、功能摄像头获取车辆至右侧车道线距离Lr;
计算目标与本车横向距离X、目标与本车纵向距离Y,
计算方法如下:
计算目标所处车道位置辅助系数kl,
目标所处车道位置辅助系数kl依据功能摄像头提供车道线位置进行判断,判断准则如下:
其中,D为车辆宽度,
若kl=1为目标与本车处于同一车道,进入步骤S2;若kl=0为目标与本车不处于同一车道,为无效数据。
如图2所示,步骤S2中,具体包括如下步骤:
所述标定疑似跟随目标方法如下:
若车道位置辅助系数kl=1,证明该目标与本车处于同一车道,输出该目标与本车纵向距离Y,筛选并输出所有处于同车道的目标ID对应纵向距离Y,进行对比确定具有最小纵向距离的目标i,即为标定疑似跟随目标;
最终获得目标ID号i及其相关位置及速度信息;
所述锁定跟随目标方法如下:
对毫米波雷达及功能摄像头探测目标横向、纵向距离进行对比,锁定目标物;
定义毫米波雷达和功能摄像头横向偏差阈值XSmax、毫米波雷达和功能摄像头纵向偏差阈值YSmax,用于锁定疑似跟随目标对应的功能摄像头目标ID。
定义毫米波雷达获取目标ID序号为i、i目标与本车相对距离为ρ、i目标与本车偏航角为θ、功能摄像头所获取目标物与本车相对距离为(Xm,Ym,Zm);
定义疑似目标对标辅助系数ks,所述对标辅助系数ks定义准则如下:
其中,ks=1,为在结合毫米波雷达和功能摄像头综合判断下锁定的目标;ks=0,表示毫米波雷达与功能摄像头所获取不是同一目标物,不可作为目标;
基于ks=1时所锁定的目标物,利用功能摄像头获取该目标所属类型,引入本车跟随目标物类型系数kobj,区分大型车和小型车,剔除行人、两轮车等干扰目标。
如图2所示,步骤S3中,
所述道路类型及对应道路的参数阈值的确定方法如下;
获取本车速度vsv、跟随目标与本车的纵向距离Y、两车相对速度vr、两车车头时距THW;
定义道路类型系数kw;针对高速公路及城市干道,基于自然驾驶数据统计分布所获取的本车速度vsv、跟随目标与本车的纵向距离Y、两车相对速度vr、两车车头时距THW参数范围有所区别,通过对数据进行宏观统计获取较高置信度水平下的对应不同类型道路的参数阈值,通过跟驰片段中各类参数数值隶属阈值范围确定该片段对应道路类型系数kw;
其中,车头时距THW是指在同一车道上行驶的车辆队列中,两连续车辆车头端部通过某一断面的时间间隔。
所述跟驰约束条件为本车信息约束及跟随目标信息约束,确定道路类型系数kw后,利用本车总线信息、跟随目标信息和交通环境道路信息,对跟驰驾驶场景进行判断;
本车总线信息包括自车位置、自车速度;
跟随目标信息包括目标位置、目标速度、相对速度、车头时距;
交通环境道路信息包括左右车道线位置。
所述跟驰约束条件的具体设置方法如下:
获取本车速度vsv、跟随目标车速度vobj、跟随目标和本车的纵向距离Y、跟随目标与本车的相对速度vr、跟随目标与本车的车头时距THW、本车与左侧车道线横向距离Ll、本车与右侧车道线横向距离Lr;
定义跟驰约束辅助系数kr;
本车信息约束主要包含本车位置信息约束和速度信息约束,本车位置约束是确保本车不发生变道,引入左右车道距离阈值LLmax、LLmin、LRmax、LRmin,本车速度约束是确保本车始终保持移动;
跟随目标信息约束主要包括目标车速度、两车纵向距离、纵向相对速度、车头时距约束,
其中,目标速度约束是为了确保车辆跟随移动目标;目标纵向距离约束是对两车纵向间距进行约束,引入纵向距离阈值Ymax、Ymin剔除间距过大导致不构成跟驰关系及间距过小导致不符合安全性的驾驶场景;两车纵向相对速度约束是对目标车与本车纵向相对速度进行约束,引入相对速度阈值vRmax剔除部分急加速或急减速导致的危险跟驰场景;车头时距约束是对跟驰车头时距进行约束,引入车头时距阈值THWmin保证提取场景满足安全性要求;
判断依据如下:
当且仅当场景满足所有跟驰约束条件时,kr的输出值为1,否则输出0。
如图2所示,步骤S4中,所述时间约束是对最短车辆跟驰时间进行约束,在驾驶过程中存在极其复杂的连续变换驾驶场景情况,
针对此类场景,所述时间约束条件具体判断方法如下:
引入跟驰时间阈值Tmin剔除短时复杂变化场景;
当某段数据对应kr=1,且持续时间≥Tmin时,认定为一段有效跟驰片段;
输出跟驰有效片段标记k,后续结合场景提取模块直接对有效片段进行提取。
如图3-7所示,步骤S5中,恒前车跟驰、前车切出及旁车切入三大类型分类方法如下:
获取跟驰目标i的纵向距离Y、前一时刻的纵向距离Ydelay;
针对旁车切入场景和前车切出场景,利用本车与目标前车纵向距离是否发生阶跃变化进行判断,以所跟驰车辆纵向距离Y与前一时刻纵向距离Ydelay作判定依据,出现差值阶跃式增大,大于所设定阈值YT则为前车切出场景,出现差值阶跃式减小,小于所设定阈值-YT则为旁车切入场景;
定义跟驰场景分类系数kc,作为跟随目标切换识别标志;
计算准则如下:
在满足条件kr=1时认定开始跟驰,kr=1持续时间≥Tmin,kc=1,则认定为恒前车跟驰;
在满足条件kr=1时认定开始跟驰,kr=1持续时间≥Tmin,kc≠1,则提取对应此时刻的前10s及后10s作为包含旁车切入或前车切出的跟驰片段;
此外,针对复合型跟驰片段,如前段恒前车跟驰持续时间≥Tmin+10s,中段前车切出后继续跟驰前方车辆,后段跟驰车辆持续时间≥Tmin+10s,通过kr、kc取值变化将片段进行分割,形成两个恒前车跟驰片段及一个前车切出片段。
针对三种跟驰分类片段起止时刻进行定义:若某时刻系数kr=1,则判定跟驰开始,当kr≠1时认定停止跟驰。kr=1持续时间≤Tmin,认定该片段不符合要求,kr=1持续时间≥Tmin,则认定为一段有效跟驰片段,片段数据点对应k=1。若整段跟驰片段中kc一直为1,则认定为恒前车跟驰;若跟驰片段中出现kc≠1情况,则提取对应此时刻的前10s(不足10s按片段起始时间开始)及后10s(不足10s按片段终止时间结束)作为包含旁车切入或前车切出的跟驰片段。针对复合型跟驰片段,如前段恒前车FV1跟驰持续时间≥Tmin+10s,中段前车FV1切出后继续跟驰FV2车辆,后段跟驰FV2车辆持续时间≥Tmin+10s。通过kr、kc取值变化将片段进行分割,形成两个恒前车跟驰片段及一个前车切出片段。
如图3-7所示,步骤S6中,
以恒前车跟驰为基础进行跟驰场景精细划分,具体方法如下:
在恒前车跟驰分类下,SV表示自车,FV1表示所跟驰前车,考虑自车SV与前车FV1相对运动状态、FV1车辆类型、道路类型进行分类;
其中,自车SV与前车FV1相对运动状态分类针对两车相对运动状态,包含迫近、稳定及渐远三种跟驰状态,
获取自车SV与前车FV1相对速度vr、两车相对纵向距离Y,
当自车SV与前车FV1相对速度vr为正或两车相对纵向距离Y不断加大,则自车迫近跟驰;当自车SV与前车FV1相对速度vr为负或两车相对纵向距离Y不断缩小,则自车渐远跟驰,当自车SV与前车FV1相对速度vr相差不多,为自车稳定跟驰;
定义两车相对运动状态判断系数α1,取值α1=1对应迫近、α1=2对应稳定、α1=3对应渐远;
FV1车辆类型分类主要针对所跟驰前车类型,
获取功能摄像头所判断目标物类型kobj,
定义恒跟驰前车目标物类型系数α2,取值α2=1对应大型、α2=2对应小型;
道路类型分类主要包含城市干道及高速公路,
获取跟驰道路类型系数kw,
定义道路类型系数α3,取值α3=1对应城市干道、α3=2对应高速公路;
针对恒前车跟驰场景,共分为12类,通过三种系数排列所组成不同数组标记可得所获取恒前车跟驰片段对应分类类别。包含城市干道迫近跟驰大车、城市干道稳定跟驰大车、城市干道渐远跟驰大车、城市干道迫近跟驰小车、城市干道稳定跟驰小车、城市干道渐远跟驰小车、高速公路迫近跟驰大车、高速公路稳定跟驰大车、高速公路渐远跟驰大车、高速公路迫近跟驰小车、高速公路稳定跟驰小车、高速公路渐远跟驰小车。
以前车切出为基础进行跟驰场景精细划分,具体方法如下:
在前车切出跟驰分类下,SV表示自车,FV1表示切出前跟驰车辆,FV2表示切出后跟驰车辆,考虑FV1类型分类、FV2类型分类、FV1切出方向分类、道路类型分类、切出前SV与FV1相对运动状态分类、切出后SV与FV2相对运动状态分类。
其中,FV1车辆类型分类主要针对切出车辆类型,
获取切出前功能摄像头所判断目标物类型kobj,
定义切出前目标物类型系数β1,取值β1=1对应大型、β1=2对应小型;
FV2车辆类型分类主要针对切出后跟驰车辆类型,
获取切出后功能摄像头所判断目标物类型kobj,
定义切出后所跟驰车辆目标物类型系数β2,取值β2=1对应大型、β2=2对应小型;
FV1切出方向分类主要通过自车与目标车辆相对横向距离X进行判断,
获取两车相对横向距离X,正向增大表明向右切出,负向减小表明向左切出,
定义FV1切出方向分类系数β3,取值β3=1对应向左切出、β3=2对应向右切出;
道路类型分类主要包含城市干道及高速公路,
获取跟驰道路类型系数kw,
定义道路类型系数β4,取值β4=1对应城市干道、β4=2对应高速公路;
切出前SV与FV1相对运动状态分类针对切出时刻kc=2前,获取SV与FV1相对运动状态,包含迫近、稳定及渐远三种跟驰状态,
获取切出前两车相对速度vr、两车相对纵向距离Y,
当SV与FV1相对速度vr为正或两车相对纵向距离Y不断加大,则两车迫近跟驰;当SV与FV1相对速度vr为负或两车相对纵向距离Y不断缩小,则两车渐远跟驰,当SV与FV1相对速度vr相差不多,为两车稳定跟驰;
定义两车相对运动状态判断系数β5,取值β5=1对应迫近、β5=2对应稳定、β5=3对应渐远;
切出后SV与FV2相对运动状态分类针对切出时刻kc=2后,获取SV与FV2相对运动状态,包含迫近、稳定及渐远三种跟驰状态,
获取切出后两车相对速度vr、两车相对纵向距离Y,
当SV与FV2相对速度vr为正或两车相对纵向距离Y不断加大,则两车迫近跟驰;当SV与FV2相对速度vr为负或两车相对纵向距离Y不断缩小,则两车渐远跟驰,当SV与FV2相对速度vr相差不多,为两车稳定跟驰;
定义两车相对运动状态判断系数β6,取值β6=1对应迫近、β6=2对应稳定、β6=3对应渐远;
针对前车切出场景,共分为144类,通过六种系数排列所组成不同数组标记可得所获取前车切出片段对应分类类别。包含城市干道条件下,自车迫近跟驰前方大型车辆,大型车辆向左切出后,继续渐远跟驰前方小型车辆等,在此不一一列举。
以旁车切入为基础进行跟驰场景精细划分,具体方法如下:
在旁车切入跟驰分类下,SV表示自车,FV2表示旁车切入前跟驰车辆,FV1表示旁车切入后跟驰车辆,考虑FV1类型分类、FV2类型分类、FV1切入方向分类、道路类型分类、切入前SV与FV2相对运动状态分类、切入后SV与FV1相对运动状态分类;
其中,FV1车辆类型分类主要针对切入车辆类型,包含大型车辆及小型乘用车辆两种,通过功能摄像头可直接给出目标物ID对应类型,
获取切入后功能摄像头所判断目标物类型kobj,
定义所切入前车目标物类型系数γ1,取值γ1=1对应大型、γ1=2对应小型;
FV2车辆类型分类主要针对切入前所跟驰车辆类型,
获取切入前功能摄像头所判断目标物类型kobj,通过功能摄像头可直接给出目标物ID对应类型,
定义切入前所跟驰车辆目标物类型系数γ2,取值γ2=1对应大型、γ2=2对应小型;
FV1切入方向分类主要通过自车与目标车辆相对横向距离X进行判断,
获取两车相对横向距离X,正向减小表明从右侧切入,负向增大表明从左侧切入,
定义FV1切入方向分类系数γ3,取值γ3=1对应向左切出、γ3=2对应向右切出;
道路类型分类主要包含城市干道及高速公路,
获取跟驰道路类型系数kw,
定义道路类型系数γ4,取值γ4=1对应城市干道、γ4=2对应高速公路;
切入前SV与FV2相对运动状态分类针对切入时刻kc=3前,获取SV与FV2相对运动状态,包含迫近、稳定及渐远三种跟驰状态,
获取切入前两车相对速度vr、两车相对纵向距离Y,
当SV与FV2相对速度vr为正或两车相对纵向距离Y不断加大,则两车迫近跟驰;当SV与FV2相对速度vr为负或两车相对纵向距离Y不断缩小,则两车渐远跟驰,当SV与FV2相对速度vr相差不多,为两车稳定跟驰;
定义两车相对运动状态判断系数γ5,取值γ5=1对应迫近、γ5=2对应稳定、γ5=3对应渐远;
切入后SV与FV1相对运动状态分类针对切入时刻kc=3后,获取SV与FV1相对运动状态,包含迫近、稳定及渐远三种跟驰状态,
获取切入后两车相对速度vr、两车相对纵向距离Y,
当SV与FV1相对速度vr为正或两车相对纵向距离Y不断加大,则两车迫近跟驰;当SV与FV1相对速度vr为负或两车相对纵向距离Y不断缩小,则两车渐远跟驰,当SV与FV1相对速度vr相差不多,为两车稳定跟驰;
定义两车相对运动状态判断系数γ6,取值γ6=1对应迫近、γ6=2对应稳定、γ6=3对应渐远。
针对旁车切入场景,共分为144类,通过六种系数排列所组成不同数组标记可得所获取旁车切入片段对应分类类别。包含高速公路条件下,自车渐远跟驰前方大型车辆,小型车辆从左向切入后,继续稳定跟驰前方小型车辆等,在此不一一列举。
本发明所述跟驰场景识别算法能够对跟驰场景进行识别,所述跟驰场景分类算法能够将所识别跟驰场景分为3大类共300小类,每类跟驰场景都有与之对应的分类系数,故能够实现场景细致分类,用于支撑分类细化的跟驰行为场景库构建,对跟驰决策算法的研发及验证测试提供数据支持。
本发明所述一种基于摄像头与雷达的跟驰行为场景数据采集、识别、分类提取系统中针对驾驶场景所提到各类特征参数阈值均为结合自然驾驶数据分布统计及实际算法模型搭建过程中修正优化确定,能够实现识别及分类功能。
如图7、图8所示,以恒前车跟驰条件工作过程为例,在高速公路上迫近大型车辆的跟驰场景,首先对毫米波雷达及功能摄像头进行安装标定,测试标定效果以确保其满足具体路试要求。通过工控机连接毫米波雷达、功能摄像头及车辆CAN总线,能够实时采集自车、目标车辆及道路环境信息,并且对所采集数据及视频文件进行存储。
完成特定时间段信息采集后对部分参数进行滤波处理,方便后续数据分析。将处理后的数据导入后处理软件,并运行场景分类识别算法,对完整采集数据进行跟驰场景识别及分类。通过运行跟驰场景识别算法对特定时间段内的全部跟驰场景进行标记k=1,完成标记后运行跟驰场景分类算法,基于各分类系数对跟驰场景识别算法标记的片段进行分类。
将带有标记的数据及视频导入场景提取模块,按照标记k提取有效跟驰片段,并基于目标要求结合跟驰场景分类算法标记提取对应的跟驰片段。已知目标为恒前车跟驰条件下,在高速公路上迫近大型车辆的跟驰场景。即满足kc=1,α1=1,α2=1,α3=2的片段。可通过场景提取模块结合识别及分类系数能够实现数据与视频的自动提取,生成满足目标行为场景要求的固定格式数据文件及视频文件。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种跟驰行为场景数据采集、识别、分类提取系统,其特征在于:包括感知数据采集模块、数据存储器模块、数据后处理模块、场景提取模块;
所述感知数据采集模块采集信息包括目标物速度、目标物相对位置和目标物类型;
所述数据存储器模块与感知数据采集模块连接用以获取目标物信息及环境信息,数据存储器模块还与车辆CAN总线(5)连接,用以获取自车相关信息;
所述数据后处理模块运用数据存储模块获得的信息数据进行滤波处理,提高跟驰场景数据可用性;滤波处理后的数据通过数据后处理模块中的场景识别分类算法处理实现对一段完整驾驶场景中的跟驰场景识别分类;
所述场景提取模块用于提取需要的并经过场景识别分类算法确认有效的跟驰片段数据与视频;输入完整的驾驶场景采集数据及视频信息,自定义所需的跟驰场景分类系数,实现完整驾驶场景中满足该分类系数要求的自车、目标车、道路环境等信息及与之对应的跟驰视频片段的自动提取,生成固定格式的数据文件及视频文件。
2.根据权利要求1所述的一种跟驰行为场景数据采集、识别、分类提取系统,其特征在于:所述感知数据采集模块包括毫米波雷达(1)和功能摄像头(3);毫米波雷达(1)固设于车辆前保险杠附近,用于目标物位置及速度测试,功能摄像头(3)通过安装支架固定在车辆前挡风玻璃内侧,用于识别周围信息包括交通环境中行人、两轮车、轿车、卡车、车道线,同时也能够输出目标物位置及速度信息;所述毫米波雷达和功能摄像头3均与数据存储器模块连接;
所述数据存储器模块为车载工控机,设置于试验车辆内;所述工控机6内设置数据采集分析软件,用以处理道路试验获取的自然驾驶数据。
数据后处理模块包括数据滤波模块及数据分析软件;数据滤波模块对部分原始数据进行滤波处理,提高跟驰场景数据可用性;数据分析软件进行数据分析,支持场景识别分类算法开发。
3.基于权利要求1所述的一种跟驰行为场景数据采集、识别、分类提取系统的采集、识别、分类提取方法,其特征在于:具体步骤包括:
S1.对周围目标进行感知定位,确定目标空间位置;
S2.从周围目标中标定疑似跟随目标,再从疑似跟随目标中锁定跟随目标;
S3.确定道路类型及对应道路的参数阈值,输入跟驰约束条件,对跟驰需满足的本车信息及跟随目标信息进行跟驰条件约束;
S4.在满足跟驰约束条件下,输入时间约束条件进行时间约束,进而获取有效的跟驰片段;
S5.对有效的跟驰片段进行跟驰场景大类划分,包括恒前车跟驰、前车切出及旁车切入三大类型;
S6.以恒前车跟驰、前车切出及旁车切入三大类型为基础分别进行跟驰场景精细划分。
4.根据权利要求3所述的一种跟驰行为场景数据采集、识别、分类提取方法,其特征在于:步骤S1中,
所述对周围目标进行感知定位前需将感知数据采集模块采集到的坐标位置进行统一标定,具体方法如下;
定义毫米波雷达位置为坐标原点,将功能摄像头输出目标信息(Xm,Ym,Zm)与毫米波雷达相对位置(Xr,Yr,Zr)进行统一(Xc,Yc,Zc),计算方法如下:
所述确定目标空间位置的方法如下:
将目标与本车距离及目标所处车道位置进行标定,定义目标所处车道位置辅助系数kl;
毫米波雷达获取目标与本车相对距离ρ、毫米波雷达获取目标与本车偏航角θ、功能摄像头获取车辆至左侧车道线距离Ll、功能摄像头获取车辆至右侧车道线距离Lr;
计算目标与本车横向距离X、目标与本车纵向距离Y,
计算方法如下:
计算目标所处车道位置辅助系数kl,
目标所处车道位置辅助系数kl依据功能摄像头提供车道线位置进行判断,判断准则如下:
其中,D为车辆宽度,
若kl=1为目标与本车处于同一车道,进入步骤S2;若kl=0为目标与本车不处于同一车道,为无效数据。
5.根据权利要求4所述的一种跟驰行为场景数据采集、识别、分类提取方法,其特征在于:步骤S2中,
所述标定疑似跟随目标方法如下:
若车道位置辅助系数kl=1,证明该目标与本车处于同一车道,输出该目标与本车纵向距离Y,筛选并输出所有处于同车道的目标ID对应纵向距离Y,进行对比确定具有最小纵向距离的目标i,即为标定疑似跟随目标;
最终获得目标ID号i及其相关位置及速度信息;
所述锁定跟随目标方法如下:
对毫米波雷达及功能摄像头探测目标横向、纵向距离进行对比,锁定目标物;
定义毫米波雷达和功能摄像头横向偏差阈值XSmax、毫米波雷达和功能摄像头纵向偏差阈值YSmax,用于锁定疑似跟随目标对应的功能摄像头目标ID。
定义毫米波雷达获取目标ID序号为i、i目标与本车相对距离为ρ、i目标与本车偏航角为θ、功能摄像头所获取目标物与本车相对距离为(Xm,Ym,Zm);
定义疑似目标对标辅助系数ks,所述对标辅助系数ks定义准则如下:
其中,ks=1,为在结合毫米波雷达和功能摄像头综合判断下锁定的目标;ks=0,表示毫米波雷达与功能摄像头所获取不是同一目标物,不可作为目标;
基于ks=1时所锁定的目标物,利用功能摄像头获取该目标所属类型,引入本车跟随目标物类型系数kobj,区分大型车和小型车,剔除行人、两轮车等干扰目标。
6.根据权利要求5所述的一种跟驰行为场景数据采集、识别、分类提取方法,其特征在于:步骤S3中,
所述道路类型及对应道路的参数阈值的确定方法如下;
获取本车速度vsv、跟随目标与本车的纵向距离Y、两车相对速度vr、两车车头时距THW;
定义道路类型系数kw;针对高速公路及城市干道,基于自然驾驶数据统计分布所获取的本车速度vsv、跟随目标与本车的纵向距离Y、两车相对速度vr、两车车头时距THW参数范围有所区别,通过对数据进行宏观统计获取较高置信度水平下的对应不同类型道路的参数阈值,通过跟驰片段中各类参数数值隶属阈值范围确定该片段对应道路类型系数kw;
其中,车头时距THW是指在同一车道上行驶的车辆队列中,两连续车辆车头端部通过某一断面的时间间隔。
所述跟驰约束条件为本车信息约束及跟随目标信息约束,确定道路类型系数kw后,利用本车总线信息、跟随目标信息和交通环境道路信息,对跟驰驾驶场景进行判断;
本车总线信息包括自车位置、自车速度;
跟随目标信息包括目标位置、目标速度、相对速度、车头时距;
交通环境道路信息包括左右车道线位置。
所述跟驰约束条件的具体设置方法如下:
获取本车速度vsv、跟随目标车速度vobj、跟随目标和本车的纵向距离Y、跟随目标与本车的相对速度vr、跟随目标与本车的车头时距THW、本车与左侧车道线横向距离Ll、本车与右侧车道线横向距离Lr;
定义跟驰约束辅助系数kr;
本车信息约束主要包含本车位置信息约束和速度信息约束,本车位置约束是确保本车不发生变道,引入左右车道距离阈值LLmax、LLmin、LRmax、LRmin,本车速度约束是确保本车始终保持移动;
跟随目标信息约束主要包括目标车速度、两车纵向距离、纵向相对速度、车头时距约束,
其中,目标速度约束是为了确保车辆跟随移动目标;目标纵向距离约束是对两车纵向间距进行约束,引入纵向距离阈值Ymax、Ymin剔除间距过大导致不构成跟驰关系及间距过小导致不符合安全性的驾驶场景;两车纵向相对速度约束是对目标车与本车纵向相对速度进行约束,引入相对速度阈值vRmax剔除部分急加速或急减速导致的危险跟驰场景;车头时距约束是对跟驰车头时距进行约束,引入车头时距阈值THWmin保证提取场景满足安全性要求;
判断依据如下:
当且仅当场景满足所有跟驰约束条件时,kr的输出值为1,否则输出0。
7.根据权利要求6所述的一种跟驰行为场景数据采集、识别、分类提取方法,其特征在于:步骤S4中,所述时间约束是对最短车辆跟驰时间进行约束,在驾驶过程中存在极其复杂的连续变换驾驶场景情况,
针对此类场景,所述时间约束条件具体判断方法如下:
引入跟驰时间阈值Tmin剔除短时复杂变化场景;
当某段数据对应kr=1,且持续时间≥Tmin时,认定为一段有效跟驰片段;
输出跟驰有效片段标记k,后续结合场景提取模块直接对有效片段进行提取。
8.根据权利要求7所述的一种跟驰行为场景数据采集、识别、分类提取方法,其特征在于:步骤S5中,恒前车跟驰、前车切出及旁车切入三大类型分类方法如下:
获取跟驰目标i的纵向距离Y、前一时刻的纵向距离Ydelay;
针对旁车切入场景和前车切出场景,利用本车与目标前车纵向距离是否发生阶跃变化进行判断,以所跟驰车辆纵向距离Y与前一时刻纵向距离Ydelay作判定依据,出现差值阶跃式增大,大于所设定阈值YT则为前车切出场景,出现差值阶跃式减小,小于所设定阈值-YT则为旁车切入场景;
定义跟驰场景分类系数kc,作为跟随目标切换识别标志;
计算准则如下:
在满足条件kr=1时认定开始跟驰,kr=1持续时间≥Tmin,kc=1,则认定为恒前车跟驰;
在满足条件kr=1时认定开始跟驰,kr=1持续时间≥Tmin,kc≠1,则提取对应此时刻的前10s及后10s作为包含旁车切入或前车切出的跟驰片段;
此外,针对复合型跟驰片段,如前段恒前车跟驰持续时间≥Tmin+10s,中段前车切出后继续跟驰前方车辆,后段跟驰车辆持续时间≥Tmin+10s,通过kr、kc取值变化将片段进行分割,形成两个恒前车跟驰片段及一个前车切出片段。
9.根据权利要求8所述的一种跟驰行为场景数据采集、识别、分类提取方法,其特征在于:步骤S6中,
以恒前车跟驰为基础进行跟驰场景精细划分,具体方法如下:
在恒前车跟驰分类下,SV表示自车,FV1表示所跟驰前车,考虑自车SV与前车FV1相对运动状态、FV1车辆类型、道路类型进行分类;
其中,自车SV与前车FV1相对运动状态分类针对两车相对运动状态,包含迫近、稳定及渐远三种跟驰状态,
获取自车SV与前车FV1相对速度vr、两车相对纵向距离Y,
当自车SV与前车FV1相对速度vr为正或两车相对纵向距离Y不断加大,则自车迫近跟驰;当自车SV与前车FV1相对速度vr为负或两车相对纵向距离Y不断缩小,则自车渐远跟驰,当自车SV与前车FV1相对速度vr相差不多,为自车稳定跟驰;
定义两车相对运动状态判断系数α1,取值α1=1对应迫近、α1=2对应稳定、α1=3对应渐远;
FV1车辆类型分类主要针对所跟驰前车类型,
获取功能摄像头所判断目标物类型kobj,
定义恒跟驰前车目标物类型系数α2,取值α2=1对应大型、α2=2对应小型;
道路类型分类主要包含城市干道及高速公路,
获取跟驰道路类型系数kw,
定义道路类型系数α3,取值α3=1对应城市干道、α3=2对应高速公路;
以前车切出为基础进行跟驰场景精细划分,具体方法如下:
在前车切出跟驰分类下,SV表示自车,FV1表示切出前跟驰车辆,FV2表示切出后跟驰车辆,考虑FV1类型分类、FV2类型分类、FV1切出方向分类、道路类型分类、切出前SV与FV1相对运动状态分类、切出后SV与FV2相对运动状态分类。
其中,FV1车辆类型分类主要针对切出车辆类型,
获取切出前功能摄像头所判断目标物类型kobj,
定义切出前目标物类型系数β1,取值β1=1对应大型、β1=2对应小型;
FV2车辆类型分类主要针对切出后跟驰车辆类型,
获取切出后功能摄像头所判断目标物类型kobj,
定义切出后所跟驰车辆目标物类型系数β2,取值β2=1对应大型、β2=2对应小型;
FV1切出方向分类主要通过自车与目标车辆相对横向距离X进行判断,
获取两车相对横向距离X,正向增大表明向右切出,负向减小表明向左切出,
定义FV1切出方向分类系数β3,取值β3=1对应向左切出、β3=2对应向右切出;
道路类型分类主要包含城市干道及高速公路,
获取跟驰道路类型系数kw,
定义道路类型系数β4,取值β4=1对应城市干道、β4=2对应高速公路;
切出前SV与FV1相对运动状态分类针对切出时刻kc=2前,获取SV与FV1相对运动状态,包含迫近、稳定及渐远三种跟驰状态,
获取切出前两车相对速度vr、两车相对纵向距离Y,
当SV与FV1相对速度vr为正或两车相对纵向距离Y不断加大,则两车迫近跟驰;当SV与FV1相对速度vr为负或两车相对纵向距离Y不断缩小,则两车渐远跟驰,当SV与FV1相对速度vr相差不多,为两车稳定跟驰;
定义两车相对运动状态判断系数β5,取值β5=1对应迫近、β5=2对应稳定、β5=3对应渐远;
切出后SV与FV2相对运动状态分类针对切出时刻kc=2后,获取SV与FV2相对运动状态,包含迫近、稳定及渐远三种跟驰状态,
获取切出后两车相对速度vr、两车相对纵向距离Y,
当SV与FV2相对速度vr为正或两车相对纵向距离Y不断加大,则两车迫近跟驰;当SV与FV2相对速度vr为负或两车相对纵向距离Y不断缩小,则两车渐远跟驰,当SV与FV2相对速度vr相差不多,为两车稳定跟驰;
定义两车相对运动状态判断系数β6,取值β6=1对应迫近、β6=2对应稳定、β6=3对应渐远;
以旁车切入为基础进行跟驰场景精细划分,具体方法如下:
在旁车切入跟驰分类下,SV表示自车,FV2表示旁车切入前跟驰车辆,FV1表示旁车切入后跟驰车辆,考虑FV1类型分类、FV2类型分类、FV1切入方向分类、道路类型分类、切入前SV与FV2相对运动状态分类、切入后SV与FV1相对运动状态分类;
其中,FV1车辆类型分类主要针对切入车辆类型,包含大型车辆及小型乘用车辆两种,通过功能摄像头可直接给出目标物ID对应类型,
获取切入后功能摄像头所判断目标物类型kobj,
定义所切入前车目标物类型系数γ1,取值γ1=1对应大型、γ1=2对应小型;
FV2车辆类型分类主要针对切入前所跟驰车辆类型,
获取切入前功能摄像头所判断目标物类型kobj,通过功能摄像头可直接给出目标物ID对应类型,
定义切入前所跟驰车辆目标物类型系数γ2,取值γ2=1对应大型、γ2=2对应小型;
FV1切入方向分类主要通过自车与目标车辆相对横向距离X进行判断,
获取两车相对横向距离X,正向减小表明从右侧切入,负向增大表明从左侧切入,
定义FV1切入方向分类系数γ3,取值γ3=1对应向左切出、γ3=2对应向右切出;
道路类型分类主要包含城市干道及高速公路,
获取跟驰道路类型系数kw,
定义道路类型系数γ4,取值γ4=1对应城市干道、γ4=2对应高速公路;
切入前SV与FV2相对运动状态分类针对切入时刻kc=3前,获取SV与FV2相对运动状态,包含迫近、稳定及渐远三种跟驰状态,
获取切入前两车相对速度vr、两车相对纵向距离Y,
当SV与FV2相对速度vr为正或两车相对纵向距离Y不断加大,则两车迫近跟驰;当SV与FV2相对速度vr为负或两车相对纵向距离Y不断缩小,则两车渐远跟驰,当SV与FV2相对速度vr相差不多,为两车稳定跟驰;
定义两车相对运动状态判断系数γ5,取值γ5=1对应迫近、γ5=2对应稳定、γ5=3对应渐远;
切入后SV与FV1相对运动状态分类针对切入时刻kc=3后,获取SV与FV1相对运动状态,包含迫近、稳定及渐远三种跟驰状态,
获取切入后两车相对速度vr、两车相对纵向距离Y,
当SV与FV1相对速度vr为正或两车相对纵向距离Y不断加大,则两车迫近跟驰;当SV与FV1相对速度vr为负或两车相对纵向距离Y不断缩小,则两车渐远跟驰,当SV与FV1相对速度vr相差不多,为两车稳定跟驰;
定义两车相对运动状态判断系数γ6,取值γ6=1对应迫近、γ6=2对应稳定、γ6=3对应渐远。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110587293.8A CN113487874B (zh) | 2021-05-27 | 2021-05-27 | 一种跟驰行为场景数据采集、识别、分类提取系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110587293.8A CN113487874B (zh) | 2021-05-27 | 2021-05-27 | 一种跟驰行为场景数据采集、识别、分类提取系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113487874A true CN113487874A (zh) | 2021-10-08 |
CN113487874B CN113487874B (zh) | 2022-07-01 |
Family
ID=77933083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110587293.8A Active CN113487874B (zh) | 2021-05-27 | 2021-05-27 | 一种跟驰行为场景数据采集、识别、分类提取系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487874B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183466A (zh) * | 2020-10-26 | 2021-01-05 | 同济大学 | 一种基于道路场景识别的分心驾驶识别方法 |
CN114064656A (zh) * | 2021-11-19 | 2022-02-18 | 重庆大学 | 一种基于路端感知系统的自动驾驶场景识别与转化方法 |
CN114169444A (zh) * | 2021-12-09 | 2022-03-11 | 合肥工业大学 | 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法 |
CN114475597A (zh) * | 2022-02-28 | 2022-05-13 | 东风汽车集团股份有限公司 | 一种自动驾驶车辆跟车距离控制方法及控制系统 |
CN114608556A (zh) * | 2022-03-01 | 2022-06-10 | 浙江吉利控股集团有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN114740759A (zh) * | 2022-04-18 | 2022-07-12 | 中国第一汽车股份有限公司 | 自动驾驶系统的测试方法、装置、存储介质及电子装置 |
CN115223131A (zh) * | 2021-11-09 | 2022-10-21 | 广州汽车集团股份有限公司 | 一种自适应巡航的跟随目标车辆检测方法、装置及汽车 |
WO2023213018A1 (zh) * | 2022-05-06 | 2023-11-09 | 苏州大学 | 一种车辆跟驰控制方法和系统 |
CN117312776A (zh) * | 2023-11-27 | 2023-12-29 | 中汽研(天津)汽车工程研究院有限公司 | 一种跟车加速场景数据采集、挖掘及特征分析方法和系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017164991A1 (en) * | 2016-03-22 | 2017-09-28 | Delphi Technologies, Inc. | Scenario aware perception system for an automated vehicle |
US20190079514A1 (en) * | 2017-09-13 | 2019-03-14 | Baidu Usa Llc | Driving scene based path planning for autonomous driving vehicles |
CN110009765A (zh) * | 2019-04-15 | 2019-07-12 | 合肥工业大学 | 一种自动驾驶车辆场景数据系统及场景格式转化方法 |
CN110232335A (zh) * | 2019-05-24 | 2019-09-13 | 国汽(北京)智能网联汽车研究院有限公司 | 驾驶场景分类方法及电子设备 |
CN111191697A (zh) * | 2019-12-21 | 2020-05-22 | 武汉光庭信息技术股份有限公司 | 基于传感器融合的adas道路测试验证优化方法和装置 |
CN111599181A (zh) * | 2020-07-22 | 2020-08-28 | 中汽院汽车技术有限公司 | 用于智能驾驶系统测试的典型自然驾驶场景识别提取方法 |
CN111735639A (zh) * | 2020-05-26 | 2020-10-02 | 清华大学苏州汽车研究院(相城) | 一种面向智能网联汽车示范区的自动驾驶场景最小集生成方法 |
US20210009127A1 (en) * | 2019-07-11 | 2021-01-14 | Honda Motor Co., Ltd. | Vehicle control system, vehicle control method, and storage medium |
EP3792893A1 (en) * | 2018-05-08 | 2021-03-17 | Tsinghua University | Intelligent vehicle safety decision-making method employing driving safety field |
EP3822608A1 (en) * | 2020-06-29 | 2021-05-19 | Beijing Baidu Netcom Science Technology Co., Ltd. | Testing method and device of autonomous vehicle, electronic apparatus, and medium |
-
2021
- 2021-05-27 CN CN202110587293.8A patent/CN113487874B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017164991A1 (en) * | 2016-03-22 | 2017-09-28 | Delphi Technologies, Inc. | Scenario aware perception system for an automated vehicle |
US20190079514A1 (en) * | 2017-09-13 | 2019-03-14 | Baidu Usa Llc | Driving scene based path planning for autonomous driving vehicles |
EP3792893A1 (en) * | 2018-05-08 | 2021-03-17 | Tsinghua University | Intelligent vehicle safety decision-making method employing driving safety field |
CN110009765A (zh) * | 2019-04-15 | 2019-07-12 | 合肥工业大学 | 一种自动驾驶车辆场景数据系统及场景格式转化方法 |
CN110232335A (zh) * | 2019-05-24 | 2019-09-13 | 国汽(北京)智能网联汽车研究院有限公司 | 驾驶场景分类方法及电子设备 |
US20210009127A1 (en) * | 2019-07-11 | 2021-01-14 | Honda Motor Co., Ltd. | Vehicle control system, vehicle control method, and storage medium |
CN111191697A (zh) * | 2019-12-21 | 2020-05-22 | 武汉光庭信息技术股份有限公司 | 基于传感器融合的adas道路测试验证优化方法和装置 |
CN111735639A (zh) * | 2020-05-26 | 2020-10-02 | 清华大学苏州汽车研究院(相城) | 一种面向智能网联汽车示范区的自动驾驶场景最小集生成方法 |
EP3822608A1 (en) * | 2020-06-29 | 2021-05-19 | Beijing Baidu Netcom Science Technology Co., Ltd. | Testing method and device of autonomous vehicle, electronic apparatus, and medium |
CN111599181A (zh) * | 2020-07-22 | 2020-08-28 | 中汽院汽车技术有限公司 | 用于智能驾驶系统测试的典型自然驾驶场景识别提取方法 |
Non-Patent Citations (2)
Title |
---|
王萌,孙永厚,刘夫云,杨帅: "基于模糊推理的车辆跟驰行驶仿真研究", 《桂林电子科技大学学报》 * |
黄昆,刘兴亮,武一民,朱世豪,张晓坤: "基于道路试验的跟车场景挖掘系统设计", 《汽车技术》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183466B (zh) * | 2020-10-26 | 2022-12-16 | 同济大学 | 一种基于道路场景识别的分心驾驶识别方法 |
CN112183466A (zh) * | 2020-10-26 | 2021-01-05 | 同济大学 | 一种基于道路场景识别的分心驾驶识别方法 |
CN115223131A (zh) * | 2021-11-09 | 2022-10-21 | 广州汽车集团股份有限公司 | 一种自适应巡航的跟随目标车辆检测方法、装置及汽车 |
CN114064656A (zh) * | 2021-11-19 | 2022-02-18 | 重庆大学 | 一种基于路端感知系统的自动驾驶场景识别与转化方法 |
CN114064656B (zh) * | 2021-11-19 | 2024-05-14 | 重庆大学 | 一种基于路端感知系统的自动驾驶场景识别与转化方法 |
CN114169444A (zh) * | 2021-12-09 | 2022-03-11 | 合肥工业大学 | 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法 |
CN114169444B (zh) * | 2021-12-09 | 2024-03-05 | 合肥工业大学 | 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法 |
CN114475597A (zh) * | 2022-02-28 | 2022-05-13 | 东风汽车集团股份有限公司 | 一种自动驾驶车辆跟车距离控制方法及控制系统 |
CN114608556A (zh) * | 2022-03-01 | 2022-06-10 | 浙江吉利控股集团有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN114740759A (zh) * | 2022-04-18 | 2022-07-12 | 中国第一汽车股份有限公司 | 自动驾驶系统的测试方法、装置、存储介质及电子装置 |
WO2023213018A1 (zh) * | 2022-05-06 | 2023-11-09 | 苏州大学 | 一种车辆跟驰控制方法和系统 |
CN117312776A (zh) * | 2023-11-27 | 2023-12-29 | 中汽研(天津)汽车工程研究院有限公司 | 一种跟车加速场景数据采集、挖掘及特征分析方法和系统 |
CN117312776B (zh) * | 2023-11-27 | 2024-03-12 | 中汽研(天津)汽车工程研究院有限公司 | 一种跟车加速场景数据采集、挖掘及特征分析方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113487874B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113487874B (zh) | 一种跟驰行为场景数据采集、识别、分类提取系统及方法 | |
CN110675656B (zh) | 一种基于瞬时风险识别的智能车辆换道预警方法 | |
CN111599181B (zh) | 用于智能驾驶系统测试的典型自然驾驶场景识别提取方法 | |
CN110400478A (zh) | 一种路况通知方法及装置 | |
CN100440269C (zh) | 高速公路汽车行驶智能检测预警方法及其预警系统 | |
CN114375467B (zh) | 用于检测紧急车辆的系统和方法 | |
CN105488453A (zh) | 一种基于图像处理的驾驶员未系安全带检测识别方法 | |
CN113635897B (zh) | 一种基于风险场的安全驾驶预警方法 | |
CN112950811B (zh) | 融合整车安全的新能源汽车区域运行风险评估及预警系统 | |
CN112606831A (zh) | 一种用于客车的防碰撞警示信息对外交互方法及系统 | |
CN113147733A (zh) | 雨雾沙尘天气汽车智能限速系统及方法 | |
CN107564336B (zh) | 一种信号交叉口左转冲突预警系统及预警方法 | |
CN111260915B (zh) | 一种高速公路交通异常区域行人逗留的预警提醒方法 | |
Díaz et al. | Extended floating car data system: Experimental results and application for a hybrid route level of service | |
CN114064656B (zh) | 一种基于路端感知系统的自动驾驶场景识别与转化方法 | |
CN108621924A (zh) | 一种具有提示功能的后灯控制系统及其控制方法 | |
CN115257527A (zh) | 尾灯显示的控制方法、装置及车辆 | |
CN109917792B (zh) | 一种基于无人驾驶观光电动车的自主防碰撞系统 | |
CN110718064A (zh) | 一种车辆违章检测方法和装置 | |
CN115966100B (zh) | 一种行车安全控制方法及系统 | |
CN112927514B (zh) | 基于3d激光雷达的机动车闯黄灯行为预测方法和系统 | |
Xing et al. | Research on gender difference of car following behavior based on natural driving data | |
US20230045706A1 (en) | System for displaying attention to nearby vehicles and method for providing an alarm using the same | |
CN207997809U (zh) | 一种具有提示功能的后灯控制系统 | |
CN117789526A (zh) | 一种城市郊区无信号灯交叉口的警示方法 |
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 |