CN113762428A - 路面颠簸度等级分类方法和系统 - Google Patents
路面颠簸度等级分类方法和系统 Download PDFInfo
- Publication number
- CN113762428A CN113762428A CN202111324085.5A CN202111324085A CN113762428A CN 113762428 A CN113762428 A CN 113762428A CN 202111324085 A CN202111324085 A CN 202111324085A CN 113762428 A CN113762428 A CN 113762428A
- Authority
- CN
- China
- Prior art keywords
- classification
- result
- prediction result
- fusion
- weight
- 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 59
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 239000000725 suspension Substances 0.000 abstract description 10
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种路面颠簸度等级分类方法和系统,所述方法包括在车辆移动过程中控制双目相机的镜头获取视差信息和图像信息;将视差信息输入第一分类网络中,通过无监督的方式学习到第一分类结果的权重,得到第一分类预测结果;将图像信息输入第二分类网络中,通过无监督的方式学习到第二分类结果的权重,得到第二分类预测结果;对所述第一分类预测结果、所述第二分类预测结果进行融合,得到融合结果;对融合结果进行softmax归一处理,得到路面颠簸程度分类结果。通过识别算法提前区分颠簸程度,以使得悬挂系统提前调整硬度,以应对即将到来的路况,增加驾驶的舒适度。
Description
技术领域
本申请实施例涉及深度学习技术领域,具体涉及路面颠簸度等级分类方法和系统。
背景技术
车辆悬架系统通过改变悬挂系统的高度、形状和阻尼等,起到控制车身振动和车身高度的功能,对于汽车操作稳定性、乘坐舒适性等性能至关重要。主动悬挂系统是近十年发展起来的由电脑控制的一种新型悬挂系统。
汽车经过崎岖颠簸路面造成负载增加引起弹簧变形时,主动悬挂系统会产生一个与惯力相对抗的力,减少车身位置的变化。但是这种调节有一定的滞后性,但是对于少量间歇出现的坑洼还是会影响驾驶体验。
如何识别行车过程中路面的坑洼,是需要解决的问题。
发明内容
为此,本申请实施例提供路面颠簸度等级分类方法和系统,通过识别算法提前区分颠簸程度,以使得悬挂系统提前调整硬度,以应对即将到来的路况,增加驾驶的舒适度。
为了实现上述目的,本申请实施例提供如下技术方案:
根据本申请实施例的第一方面,提供了一种路面颠簸度等级分类方法,所述方法包括:
在车辆移动过程中控制双目相机的镜头获取视差信息和图像信息;
将视差信息输入第一分类网络中,通过无监督的方式学习到第一分类结果的权重,得到第一分类预测结果;所述第一分类预测结果包括第一分类结果及权重;
将图像信息输入第二分类网络中,通过无监督的方式学习到第二分类结果的权重,得到第二分类预测结果;所述第二分类预测结果包括第二分类结果及权重;
对所述第一分类预测结果、所述第二分类预测结果进行融合,得到融合结果;
对融合结果进行softmax归一处理,得到路面颠簸程度分类结果。
可选地,所述对所述第一分类预测结果、所述第二分类预测结果进行融合,得到融合结果,是按照如下公式:
可选地,在物体移动过程中控制双目相机的镜头获取视差信息和图像信息之后,所述方法还包括:
根据物体移动过程中控制双目相机的镜头获取视差信息和图像信息在数据库中调取道路信息,以确定具体行驶区域;所述双目相机包括左目相机和右目相机,采用前向平视的空间分布方式设置。
可选地,在得到路面颠簸程度分类结果之后,所述方法还包括:
若路面颠簸程度分类结果超过预设的安全阈值,则发送减速和警示指令至车辆。
根据本申请实施例的第二方面,提供了一种路面颠簸度等级分类系统,所述系统包括:
信息获取模块,用于在车辆移动过程中控制双目相机的镜头获取视差信息和图像信息;
第一分类模块,用于将视差信息输入第一分类网络中,通过无监督的方式学习到第一分类结果的权重,得到第一分类预测结果;所述第一分类预测结果包括第一分类结果及权重;
第二分类模块,用于将图像信息输入第二分类网络中,通过无监督的方式学习到第二分类结果的权重,得到第二分类预测结果;所述第二分类预测结果包括第二分类结果及权重;
融合模块,用于对所述第一分类预测结果、所述第二分类预测结果进行融合,得到融合结果;
归一模块,用于对融合结果进行softmax归一处理,得到路面颠簸程度分类结果。
可选地,所述融合模块,按照如下公式计算:
可选地,所述系统还包括:
行驶区域模块,用于根据物体移动过程中控制双目相机的镜头获取视差信息和图像信息在数据库中调取道路信息,以确定具体行驶区域;所述双目相机包括左目相机和右目相机,采用前向平视的空间分布方式设置。
可选地,所述系统还包括:
警报模块,用于若路面颠簸程度分类结果超过预设的安全阈值,则发送减速和警示指令至车辆。
根据本申请实施例的第三方面,提供了一种设备,所述设备包括:数据采集装置、处理器和存储器;所述数据采集装置用于采集数据;所述存储器用于存储一个或多个程序指令;所述处理器,用于执行一个或多个程序指令,用以执行第一方面任一项所述的方法。
根据本申请实施例的第四方面,提供了一种计算机可读存储介质,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于执行如第一方面任一项所述的方法。
综上所述,本申请实施例提供了一种路面颠簸度等级分类方法和系统,通过在车辆移动过程中控制双目相机的镜头获取视差信息和图像信息;将视差信息输入第一分类网络中,通过无监督的方式学习到第一分类结果的权重,得到第一分类预测结果;所述第一分类预测结果包括第一分类结果及权重;将图像信息输入第二分类网络中,通过无监督的方式学习到第二分类结果的权重,得到第二分类预测结果;所述第二分类预测结果包括第二分类结果及权重;对所述第一分类预测结果、所述第二分类预测结果进行融合,得到融合结果;对融合结果进行softmax归一处理,得到路面颠簸程度分类结果。通过识别算法提前区分颠簸程度,以使得悬挂系统提前调整硬度,以应对即将到来的路况,增加驾驶的舒适度。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本申请实施例提供的路面颠簸度等级分类方法流程示意图;
图2为本申请实施例提供的分类网络逻辑流程图;
图3为本申请实施例提供的路面颠簸度等级分类系统框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,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做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。
单纯依赖图像的分类算法不可避免的会出现误检和漏检,也容易被欺骗。人脸识别技术可以大规模应用的关键是在普通图像信息之外增加了深度信息,使其具有了唯一性。在分类任务中,利用图像信息和深度信息的融合也能够少误检和漏检。本申请实施例提供的一种路面颠簸度等级分类方法,如图1所示,所述方法包括:
步骤101:在车辆移动过程中控制双目相机的镜头获取视差信息和图像信息;
步骤102:将视差信息输入第一分类网络中,通过无监督的方式学习到第一分类结果的权重,得到第一分类预测结果;所述第一分类预测结果包括第一分类结果及权重;
步骤103:将图像信息输入第二分类网络中,通过无监督的方式学习到第二分类结果的权重,得到第二分类预测结果;所述第二分类预测结果包括第二分类结果及权重;
步骤104:对所述第一分类预测结果、所述第二分类预测结果进行融合,得到融合结果;
步骤105:对融合结果进行softmax归一处理,得到路面颠簸程度分类结果。
在一种可能的实施方式中,所述对所述第一分类预测结果、所述第二分类预测结果进行融合,得到融合结果,是按照如下公式(1):
在一种可能的实施方式中,在步骤101在物体移动过程中控制双目相机的镜头获取视差信息和图像信息之后,所述方法还包括:
根据物体移动过程中控制双目相机的镜头获取视差信息和图像信息在数据库中调取道路信息,以确定具体行驶区域;所述双目相机包括左目相机和右目相机,采用前向平视的空间分布方式设置。
在一种可能的实施方式中,在得到路面颠簸程度分类结果之后,所述方法还包括:若路面颠簸程度分类结果超过预设的安全阈值,则发送减速和警示指令至车辆。
可以看出,本申请实施例的方法首先通过双目相机获取图像和视差图,进一步确定行驶区域,之后输入分类网络进行分类,得到分类结果。通过识别算法提前区分颠簸程度,以使得悬挂系统提前调整硬度,以应对即将到来的路况,增加驾驶的舒适度。
具体的分类流程如图2所示,由双目相机所获取的视差信息和图像信息分别送入两个并行的分类网络中;通过无监督的方式学习到两种分类结果的权重,以表征两种分类结果的好坏;最后将两种结果融合得到最后的结果。融合之后的结果经过softmax归一处理之后,便是最终分类结果。一方面充分利用图像丰富的语义特征同时结合视差信息提供真实环境模型,使本方法在复杂场景中的分类表现优异,另一方面两者独立预测最后加权平均,规避了一个失效对整体的影响,提高了系统的鲁棒性。
综上所述,本申请实施例提供了一种路面颠簸度等级分类方法,通过在车辆移动过程中控制双目相机的镜头获取视差信息和图像信息;将视差信息输入第一分类网络中,通过无监督的方式学习到第一分类结果的权重,得到第一分类预测结果;所述第一分类预测结果包括第一分类结果及权重;将图像信息输入第二分类网络中,通过无监督的方式学习到第二分类结果的权重,得到第二分类预测结果;所述第二分类预测结果包括第二分类结果及权重;对所述第一分类预测结果、所述第二分类预测结果进行融合,得到融合结果;对融合结果进行softmax归一处理,得到路面颠簸程度分类结果。通过识别算法提前区分颠簸程度,以使得悬挂系统提前调整硬度,以应对即将到来的路况,增加驾驶的舒适度。
基于相同的技术构思,本申请实施例还提供了一种路面颠簸度等级分类系统,如图3所示,所述系统包括:
信息获取模块301,用于在车辆移动过程中控制双目相机的镜头获取视差信息和图像信息;
第一分类模块302,用于将视差信息输入第一分类网络中,通过无监督的方式学习到第一分类结果的权重,得到第一分类预测结果;所述第一分类预测结果包括第一分类结果及权重;
第二分类模块303,用于将图像信息输入第二分类网络中,通过无监督的方式学习到第二分类结果的权重,得到第二分类预测结果;所述第二分类预测结果包括第二分类结果及权重;
融合模块304,用于对所述第一分类预测结果、所述第二分类预测结果进行融合,得到融合结果;
归一模块305,用于对融合结果进行softmax归一处理,得到路面颠簸程度分类结果。
在一种可能的实施方式中,所述融合模块304,按照公式(1)计算。
在一种可能的实施方式中,所述系统还包括:行驶区域模块,用于根据物体移动过程中控制双目相机的镜头获取视差信息和图像信息在数据库中调取道路信息,以确定具体行驶区域;所述双目相机包括左目相机和右目相机,采用前向平视的空间分布方式设置。
在一种可能的实施方式中,所述系统还包括:警报模块,用于若路面颠簸程度分类结果超过预设的安全阈值,则发送减速和警示指令至车辆。
基于相同的技术构思,本申请实施例还提供了一种设备,所述设备包括:数据采集装置、处理器和存储器;所述数据采集装置用于采集数据;所述存储器用于存储一个或多个程序指令;所述处理器,用于执行一个或多个程序指令,用以执行所述的方法。
基于相同的技术构思,本申请实施例还提供了一种计算机可读存储介质,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于执行所述的方法。
本说明书中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
需要说明的是,尽管在附图中以特定顺序描述了本发明方法的操作,但这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
虽然本申请提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意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、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
上述实施例阐明的单元、装置或模块等,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请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,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,移动终端,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
以上所述的具体实施例,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施例而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种路面颠簸度等级分类方法,其特征在于,所述方法包括:
在车辆移动过程中控制双目相机的镜头获取视差信息和图像信息;
将视差信息输入第一分类网络中,通过无监督的方式学习到第一分类结果的权重,得到第一分类预测结果;所述第一分类预测结果包括第一分类结果及权重;
将图像信息输入第二分类网络中,通过无监督的方式学习到第二分类结果的权重,得到第二分类预测结果;所述第二分类预测结果包括第二分类结果及权重;
对所述第一分类预测结果、所述第二分类预测结果进行融合,得到融合结果;
对融合结果进行softmax归一处理,得到路面颠簸程度分类结果。
3.如权利要求1所述的方法,其特征在于,在物体移动过程中控制双目相机的镜头获取视差信息和图像信息之后,所述方法还包括:
根据物体移动过程中控制双目相机的镜头获取视差信息和图像信息在数据库中调取道路信息,以确定具体行驶区域;所述双目相机包括左目相机和右目相机,采用前向平视的空间分布方式设置。
4.如权利要求1所述的方法,其特征在于,在得到路面颠簸程度分类结果之后,所述方法还包括:
若路面颠簸程度分类结果超过预设的安全阈值,则发送减速和警示指令至车辆。
5.一种路面颠簸度等级分类系统,其特征在于,所述系统包括:
信息获取模块,用于在车辆移动过程中控制双目相机的镜头获取视差信息和图像信息;
第一分类模块,用于将视差信息输入第一分类网络中,通过无监督的方式学习到第一分类结果的权重,得到第一分类预测结果;所述第一分类预测结果包括第一分类结果及权重;
第二分类模块,用于将图像信息输入第二分类网络中,通过无监督的方式学习到第二分类结果的权重,得到第二分类预测结果;所述第二分类预测结果包括第二分类结果及权重;
融合模块,用于对所述第一分类预测结果、所述第二分类预测结果进行融合,得到融合结果;
归一模块,用于对融合结果进行softmax归一处理,得到路面颠簸程度分类结果。
7.如权利要求5所述的系统,其特征在于,所述系统还包括:
行驶区域模块,用于根据物体移动过程中控制双目相机的镜头获取视差信息和图像信息在数据库中调取道路信息,以确定具体行驶区域;所述双目相机包括左目相机和右目相机,采用前向平视的空间分布方式设置。
8.如权利要求5所述的系统,其特征在于,所述系统还包括:
警报模块,用于若路面颠簸程度分类结果超过预设的安全阈值,则发送减速和警示指令至车辆。
9.一种设备,其特征在于,所述设备包括:数据采集装置、处理器和存储器;
所述数据采集装置用于采集数据;所述存储器用于存储一个或多个程序指令;所述处理器,用于执行一个或多个程序指令,用以执行如权利要求1-4任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111324085.5A CN113762428A (zh) | 2021-11-10 | 2021-11-10 | 路面颠簸度等级分类方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111324085.5A CN113762428A (zh) | 2021-11-10 | 2021-11-10 | 路面颠簸度等级分类方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113762428A true CN113762428A (zh) | 2021-12-07 |
Family
ID=78784880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111324085.5A Pending CN113762428A (zh) | 2021-11-10 | 2021-11-10 | 路面颠簸度等级分类方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762428A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005040721A1 (ja) * | 2003-10-29 | 2005-05-06 | Waro Iwane | 3d自動測量装置 |
CN108205658A (zh) * | 2017-11-30 | 2018-06-26 | 中原智慧城市设计研究院有限公司 | 基于单双目视觉融合的障碍物检测预警系统 |
CN111708372A (zh) * | 2020-08-24 | 2020-09-25 | 广州赛特智能科技有限公司 | 一种无人驾驶清扫车颠簸路面自适应安全行驶方法及系统 |
CN111860322A (zh) * | 2020-07-20 | 2020-10-30 | 吉林大学 | 一种基于多源传感器信息融合的非结构化路面类型识别方法 |
CN112464773A (zh) * | 2020-11-19 | 2021-03-09 | 浙江吉利控股集团有限公司 | 一种道路类型识别方法、装置及系统 |
CN113240632A (zh) * | 2021-04-22 | 2021-08-10 | 北京中科慧眼科技有限公司 | 基于语义分割网络的路面检测方法、系统和智能终端 |
-
2021
- 2021-11-10 CN CN202111324085.5A patent/CN113762428A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005040721A1 (ja) * | 2003-10-29 | 2005-05-06 | Waro Iwane | 3d自動測量装置 |
CN108205658A (zh) * | 2017-11-30 | 2018-06-26 | 中原智慧城市设计研究院有限公司 | 基于单双目视觉融合的障碍物检测预警系统 |
CN111860322A (zh) * | 2020-07-20 | 2020-10-30 | 吉林大学 | 一种基于多源传感器信息融合的非结构化路面类型识别方法 |
CN111708372A (zh) * | 2020-08-24 | 2020-09-25 | 广州赛特智能科技有限公司 | 一种无人驾驶清扫车颠簸路面自适应安全行驶方法及系统 |
CN112464773A (zh) * | 2020-11-19 | 2021-03-09 | 浙江吉利控股集团有限公司 | 一种道路类型识别方法、装置及系统 |
CN113240632A (zh) * | 2021-04-22 | 2021-08-10 | 北京中科慧眼科技有限公司 | 基于语义分割网络的路面检测方法、系统和智能终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Keypoints-based deep feature fusion for cooperative vehicle detection of autonomous driving | |
US20180218256A1 (en) | Deep convolution neural network behavior generator | |
Belbachir et al. | Simulation-driven validation of advanced driving-assistance systems | |
CN109034086A (zh) | 车辆重识别方法、装置及系统 | |
CN111666307A (zh) | 根据场景观察进行直觉推断的无人驾驶安全判断系统 | |
CN111413973A (zh) | 车辆的换道决策方法及装置、电子设备、存储介质 | |
CN114332802A (zh) | 基于双目相机的路面平坦度语义分割方法和系统 | |
Maheswaran et al. | A fog computing framework for autonomous driving assist: architecture, experiments, and challenges | |
CN114155303B (zh) | 基于双目相机的参数立体匹配方法和系统 | |
Zhou et al. | A Lane Departure Warning System Based on Virtual Lane Boundary. | |
Phumphuang et al. | Driver identification using variance of the acceleration data | |
CN113762428A (zh) | 路面颠簸度等级分类方法和系统 | |
Al Masud et al. | Pothole detection using machine learning algorithms | |
Ala’J et al. | Autonomous vehicles scenario testing framework and model of computation: On generation and coverage | |
CN112462759B (zh) | 规控算法的评估方法、系统及计算机存储介质 | |
CN113238565A (zh) | 车辆路径规划方法、装置、车辆和存储介质 | |
CN116977948A (zh) | 基于改进YOLOv5的交通安全头盔佩戴检测系统及方法 | |
Qu et al. | A stochastic model predictive control approach for modelling human driver steering control | |
CN114915940B (zh) | 一种车路通信链路匹配方法、系统、设备及介质 | |
CN115631457A (zh) | 建筑施工监控视频中的人机协作异常检测方法及系统 | |
CN113808397A (zh) | 非机动车事故的数据处理方法、装置和云端服务器 | |
CN111104611B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
Akita et al. | Analysis of vehicle following behavior of human driver based on hybrid dynamical system model | |
WO2022033652A1 (en) | Device for and method of image signal processing in a vehicle | |
CN113029155A (zh) | 机器人自动导航方法及装置、电子设备、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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211207 |
|
RJ01 | Rejection of invention patent application after publication |