CN113962301B - 一种多源输入信号融合的路面质量检测方法及系统 - Google Patents
一种多源输入信号融合的路面质量检测方法及系统 Download PDFInfo
- Publication number
- CN113962301B CN113962301B CN202111220525.2A CN202111220525A CN113962301B CN 113962301 B CN113962301 B CN 113962301B CN 202111220525 A CN202111220525 A CN 202111220525A CN 113962301 B CN113962301 B CN 113962301B
- Authority
- CN
- China
- Prior art keywords
- road surface
- information
- vehicle
- singular
- test vehicle
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/42—Road-making materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Abstract
本发明公开了一种多源输入信号融合的路面质量检测方法及系统,涉及路面结构损失检测领域,该方法包括:分别对测试车辆行驶在目标区域时的车辆信息和路面信息进行特征提取,以得到沿车辆前进方向的路面奇异特征和非接触式路面奇异特征;基于测试车辆的行驶轨迹判断测试车辆是否经过非接触式路面奇异特征对应的位置区域;若是则输出综合特征,综合特征为同一位置下将所述沿车辆前进方向的路面奇异特征和所述非接触式路面奇异特征融合后得到的特征,或者综合特征为沿车辆前进方向的路面奇异特征;若否则输出非接触式路面奇异特征;汇总上述输出特征以确定目标区域的路面奇异特征。本发明能够实现路面质量的准确快速识别。
Description
技术领域
本发明涉及路面质量检测领域,特别是涉及一种多源输入信号融合的路面质量检测方法及系统。
背景技术
随着公路网络的逐步完善,里程规模的持续增加以及技术等级的不断提升,公路养护任务日益重要,高效准确的路面质量检测技术,特别是坑洼等路面奇异特征的高效准确检测已经成为公路运输交通的重要需求。现有的路面自动化检测技术主要分为非接触感知传感器识别法和基于车载传感器响应识别法两类。非接触感知传感器识别法主要包括图像检测法和激光雷达扫描法。图像检测法通常是通过高清摄像头采集路面图像,通过分析路面图像判断路面是否存在破损等奇异特征。激光雷达扫描法通过激光雷达对路面进行扫描获得路面三维点云,通过对路面的三维点云进行分析处理判断路面是否存在破损等奇异特征;基于车载传感器响应识别法是基于加速度传感器和位移传感器收集车辆响应数据,通过响应分析实现路面质量监测。但是上述单一传感器在对路面状况进行检测时存在一定局限性,如高清摄像头对光照条件较为敏感,在奇异特征受到落叶、树枝遮挡时难以准确识别;在恶劣天气中,激光雷达性能会减弱,很难对路面进行精准识别;基于车载传感器响应识别法,仅能够对车辙范围内的路面激励进行识别。因此需要一种能够结合非接触以及车载传感器两种识别方法特点的路面质量识别方法。
发明内容
考虑到路面环境的复杂性和路面质量检测的迫切需求,本发明提供了一种基于振动、视觉以及激光等多源输入信号融合的路面质量检测方法及系统,以实现路面质量的准确快速识别。
为实现上述目的,本发明提供了如下方案:
一种多源输入信号融合的路面质量检测方法,包括:
获取测试车辆行驶在目标区域时的车辆信息和路面信息,以及预测所述测试车辆的行驶轨迹;所述车辆信息包括速度信息、垂向振动信息和位置信息;所述路面信息包括路面原始点云数据和/或路面图像信息;所述路面原始点云数据和所述路面图像信息均包含有位置信息;
对所述车辆信息进行特征提取以得到带有位置信息的沿车辆前进方向的路面奇异特征,对所述路面信息进行特征识别以得到带有位置信息的非接触式路面奇异特征;
基于所述测试车辆的行驶轨迹,判断所述测试车辆是否经过所述非接触式路面奇异特征对应的位置区域;
若是,则计算综合特征并输出所述综合特征;所述综合特征为同一位置下将所述沿车辆前进方向的路面奇异特征和所述非接触式路面奇异特征融合后得到的特征,或者,所述综合特征为所述沿车辆前进方向的路面奇异特征;
若否,则输出所述非接触式路面奇异特征。
可选的,还包括:
汇总输出的所述综合特征和所述非接触式路面奇异特征,以确定所述目标区域的路面奇异特征。
可选的,所述获取测试车辆行驶在目标区域时的车辆信息,具体包括:
获取车载传感器采集的测试车辆行驶在目标区域时的速度信息和垂向振动信息;
获取定位装置采集的测试车辆行驶在目标区域时的位置信息。
可选的,所述获取测试车辆行驶在目标区域时的路面信息,具体包括:
获取激光雷达采集的测试车辆行驶在目标区域时的路面原始点云数据,和/或,获取相机采集的测试车辆行驶在目标区域时的路面图像信息。
可选的,所述预测所述测试车辆的行驶轨迹,具体包括:
获取定位装置计算的所述测试车辆行驶在所述目标区域时的质心位置信息;
获取航位推算装置计算的所述测试车辆行驶在所述目标区域时的车辆航向角和质心侧偏角;
基于所述测试车辆的所述质心位置信息、所述车辆航向角、所述质心侧偏角以及几何尺寸,计算所述测试车辆行驶在所述目标区域时的车辆轮胎位置信息;
基于所述车辆轮胎位置信息预测所述测试车辆的行驶轨迹。
可选的,当所述路面信息包括路面原始点云数据和路面图像信息时,对所述路面信息进行特征识别以得到带有位置信息的非接触式路面奇异特征,具体包括:
对所述原始点云数据和所述路面图像信息分别进行预处理操作;
基于非接触式路面奇异特征识别算法对预处理操作后的原始点云数据进行特征提取,得到第一结果;
基于非接触式路面奇异特征识别算法对预处理操作后的路面图像信息进行特征提取,得到第二结果;
在标定位置下,当所述第一结果存储有含有路面奇异特征的轮廓信息点云数据且所述第二结果未存储有含有路面奇异特征的视觉图像时,对所述轮廓信息点云数据进行处理,以确定标定位置对应的带有位置信息的非接触式路面奇异特征;所述标定位置为所述目标区域的任意位置;
在标定位置下,当所述第一结果未存储有含有路面奇异特征的轮廓信息点云数据且所述第二结果存储有含有路面奇异特征的视觉图像时,对所述视觉图像进行处理,以确定标定位置对应的带有位置信息的非接触式路面奇异特征;
在标定位置下,当所述第一结果存储有含有路面奇异特征的轮廓信息点云数据且所述第二结果存储有含有路面奇异特征的视觉图像时,对所述轮廓信息点云数据和所述视觉图像进行时间空间同步处理,以确定标定位置对应的带有位置信息的非接触式路面奇异特征。
可选的,所述计算综合特征,具体包括:
采用融合加权函数,将同一位置下所述沿车辆前进方向的路面奇异特征和所述非接触式路面奇异特征进行融合,以得到综合特征;
或者,当所述非接触式路面奇异特征对应的位置区域未存在所述非接触式路面奇异特征时,将所述沿车辆前进方向的路面奇异特征确定为所述综合特征;
其中,所述融合加权函数的权重系数是根据权重系数函数确定的;
所述权重系数函数以所述测试车辆的轮胎位置标准差和所述测试车辆的轮胎宽度作为输入所构建的函数;
所述轮胎位置标准差是航位推算装置的误差和定位装置的误差进行叠加计算得到的;
所述航位推算装置的误差是所述航位推算装置和所述定位装置共同确定所述测试车辆行驶在所述目标区域时的车辆轮胎位置信息时,所述航位推算装置产生的误差;
所述定位装置的误差是所述航位推算装置和所述定位装置共同确定所述测试车辆行驶在所述目标区域时的车辆轮胎位置信息时,所述定位装置产生的误差。
一种多源输入信号融合的路面质量检测系统,包括:
信息获取模块,用于获取测试车辆行驶在目标区域时的车辆信息和路面信息,以及预测所述测试车辆的行驶轨迹;所述车辆信息包括速度信息、垂向振动信息和位置信息;所述路面信息包括路面原始点云数据和/或路面图像信息;所述路面原始点云数据和所述路面图像信息均包含有位置信息;
路面奇异特征计算模块,用于对所述车辆信息进行特征提取以得到带有位置信息的沿车辆前进方向的路面奇异特征,对所述路面信息进行特征识别以得到带有位置信息的非接触式路面奇异特征;
判断模块,用于基于所述测试车辆的行驶轨迹,判断所述测试车辆是否经过所述非接触式路面奇异特征对应的位置区域;
第一输出模块,用于当所述测试车辆经过所述非接触式路面奇异特征对应的位置区域时,计算综合特征并输出所述综合特征;所述综合特征为同一位置下将所述沿车辆前进方向的路面奇异特征和所述非接触式路面奇异特征融合后得到的特征,或者,所述综合特征为所述沿车辆前进方向的路面奇异特征;
第二输出模块,用于当所述测试车辆未经过所述非接触式路面奇异特征对应的位置区域时,输出所述非接触式路面奇异特征。
可选的,还包括:
目标区域路面奇异特征确定模块,用于汇总输出的所述综合特征和所述非接触式路面奇异特征,以确定所述目标区域的路面奇异特征。
可选的,在所述计算综合特征方面,所述第一输出模块,具体包括:
综合特征计算单元,用于:
采用融合加权函数,将同一位置下所述沿车辆前进方向的路面奇异特征和所述非接触式路面奇异特征进行融合,以得到综合特征;
或者,当所述非接触式路面奇异特征对应的位置区域未存在所述非接触式路面奇异特征时,将所述沿车辆前进方向的路面奇异特征确定为所述综合特征;
其中,所述融合加权函数的权重系数是根据权重系数函数确定的;
所述权重系数函数以所述测试车辆的轮胎位置标准差和所述测试车辆的轮胎宽度作为输入所构建的函数;
所述轮胎位置标准差是航位推算装置的误差和定位装置的误差进行叠加计算得到的;
所述航位推算装置的误差是所述航位推算装置和所述定位装置共同确定所述测试车辆行驶在所述目标区域时的车辆轮胎位置信息时,所述航位推算装置产生的误差;
所述定位装置的误差是所述航位推算装置和所述定位装置共同确定所述测试车辆行驶在所述目标区域时的车辆轮胎位置信息时,所述定位装置产生的误差。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种多源输入信号融合的路面质量检测方法及系统,通过将车辆垂向振动信息、路面原始点云数据和/或路面图像信息作为输入,来确定目标区域的路面奇异特征,避免单一传感器采集的单一信息在对路面状况进行检测时存在的局限性,达到准确快速识别目标区域路面质量的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种多源输入信号融合的路面质量检测系统流程图;
图2为本发明非接触式路面奇异特征辨识算法流程图;
图3为本发明路面奇异特征沿轮胎中轴线示意图;
图4为本发明轮胎位置计算原理示意图;
图5为本发明权重系数函数原理图;
图6为本发明路面奇异特征扩展示意图;
图7为本发明融合后路面奇异特征示意图;
图8为本发明一种多源输入信号融合的路面质量检测系统流程示意图;
图9为本发明一种多源输入信号融合的路面质量检测系统结构示意图。
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,所描述的实施例仅仅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。
现有的路面自动化检测技术可分为两大类:一类是基于感知传感器结合算法进行非接触式路面奇异特征识别:主要利用相机、激光雷达等远程非接触地对路面奇异特征直接进行识别;另一类是基于振动加速度传感器所采集的车辆响应参数进行间接识别。上述方法在复杂行驶条件下的路面自动化检测中均有较大局限性,很难提供快速、可靠、完善、稳定的路面数据。在路面有强光照射、暗影覆盖等特殊环境下基于相机的机器视觉识别结果无法反映真实路况。通过车辆响应参数进行识别的识别方法能够根据振动客观反映路面的质量,但其只能检测车辆车轮行驶经过的路面质量,难以实现广泛区域范围内道路质量的准确感知。因此对此需要结合车载传感器和感知传感器(视觉、雷达),对识别结果进行融合,实现路面质量检测。
鉴于此,本发明的目的是提供了一种基于振动、视觉以及激光等多源输入信号融合的路面质量检测方法及系统,以实现路面质量的准确快速识别。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
路面奇异特征:一类路面表面的特征,此类特征与路面长空间尺度的统计特性不一致,特别地,指较小空间尺度内由于路面高程明显变化形成的特征(如坑洼、拥包、减速带、井盖等)。
多源输入融合算法及其作用:一种将视觉、雷达和振动等多种响应的识别结果进行融合与修正,实现路面质量(奇异特征)的检测,
本实施例考虑非接触式识别和车载传感器识别的局限性,进行振动、视觉、激光雷达等多源输入信号融合下的路面质量检测。两者之间的融合是基于车辆位置坐标实现,并在融合过程中充分考虑位置误差范围。具体而言,本实施例包括利用车辆位置误差分布构建路面识别修正算法,用车载传感器识别的路面奇异特征修正感知传感器识别的路面奇异特征,通过两者融合得到感知结果。该路面识别方法由两大部分构成:多源输入融合奇异特征识别以及融合权重计算。故本发明提供一种多源输入信号融合的路面质量检测系统,包括:轮胎位置模块、信息采集模块、轮胎位置误差计算模块、路面奇异特征辨识模块、加权函数生成模块、路面奇异特征融合模块。所提出技术方案的总体流程图如图1所示。
信息采集模块包括车载传感器信息采集模块和感知传感器数据采集模块。
车载传感器信息采集模块用于通过车载传感器(例如加速度传感器和IMU)采集车辆振动信号和车速信息(例如加速度信息),实时检测车辆垂向振动特征与车速的变化;感知传感器数据采集模块用于通过激光雷达采集车辆行驶过程中的路面原始点云数据,通过相机采集车辆行驶过程中的路面图像信息,并将上述两者得到的结果送入路面奇异特征辨识模块。
路面奇异特征辨识模块包括基于响应的路面奇异特征辨识算法和非接触式路面奇异特征辨识算法。
基于响应的路面奇异特征辨识算法用于对车辆垂向振动信息进行特征提取,得到带有位置信息的沿车辆前进方向的路面奇异特征。该基于响应的路面奇异特征辨识算法包括聚类分析算法、利用扰动观测器识别算法和基于阈值的识别方法等。
如图2所示,非接触式路面奇异特征辨识算法包括数据处理模块和数据融合模块;其中,数据处理模块包括激光雷达数据处理模块和相机数据处理模块,相机数据处理模块通过对相机获取的路面图像信息进行灰度化、降噪、二值化等预处理和基于特征空间的聚类分析、分割处理,获得带有路面奇异特征的视觉图像。激光雷达数据处理模块通过对激光雷达获取的路面原始点云数据进行降噪、点云分割、点云聚类等处理,获得含有路面奇异特征的轮廓信息点云数据。数据融合模块通过判断激光雷达数据处理模块和相机数据处理模块是否都输出含有路面奇异特征的信息,以选择不同融合算法,进而输出最终的带有位置信息的非接触式路面奇异特征。
本实施例所述的基于视觉路面奇异特征辨识算法、基于激光雷达路面奇异特征辨识算法、融合算法并不局限于上述方法。
轮胎位置模块包括GPS(或北斗,以下GPS为例进行说明)定位系统和航位推算系统,其中,GPS定位系统由GPS基站与GPS信号接收机组成,航位推算(DR-Dead Reckoning)系统由电子罗盘与惯性测量装置(IMU)组成。通过GPS定位系统实时获取车辆质心位置信息,通过航位推算系统实时获取车辆航向角信息等(可采用基于RTK-GNSS和MEMS陀螺仪的车辆航向角测量技术),通过上述信息的融合计算,以达到实时获取车辆轮胎位置信息的目的。
轮胎位置误差计算模块是以GPS定位系统误差和航位推算系统误差作为输入,通过误差融合计算得到轮胎定位误差(用标准差σ表示),将轮胎定位误差输入至加权函数生成模块。
加权函数生成模块用于以轮胎定位信息误差(σ)作为输入构建加权函数(下文所述加权函数仅为举例)。
路面奇异特征融合模块用于根据预测车辆位置(此处为下文提及到的车辆的行驶轨迹)和带有位置信息的非接触式路面奇异特征来判断车辆是否经过非接触式路面奇异特征对应的位置区域,若判定不经过则输出非接触式路面奇异特征;若判定经过则使用加权函数对输入的多源识别的路面奇异特征信息(即带有位置信息的非接触式路面奇异特征和带有位置信息的沿车辆前进方向的路面奇异特征)进行加权,得到融合后且带有位置信息的路面奇异特征。
以上为路面质量检测系统的各部分介绍。下面对所描述的路面质量检测系统对应的方法进行具体介绍:
首先建立两个全局坐标系,分别为大地坐标系(X,Y,Z)和轮胎坐标系(x,y,z)。其中,以轮胎接地点为原点,以车辆前进方向为x轴正方向,以垂直朝上为z轴正方向,建立右手坐标系,即轮胎坐标系。
大地坐标系(X,Y,Z)和轮胎坐标系(x,y,z)的纵坐标相同,即Z=z,则奇异特征在轮胎坐标系和大地坐标系中坐标变换如下式所示:
R为旋转矩阵,T为轮胎坐标系原点在大地坐标系下坐标
步骤一:车辆正常行驶时车载传感器开始采集车辆信息,车辆信息包括但不限于加速度信息、垂向振动信息等;感知传感器采集路面信息,其中,激光雷达采集车辆行驶过程中的路面原始点云数据,相机采集车辆行驶过程中的路面图像信息,作为路面奇异特征辨识模块的输入。
步骤二:路面奇异特征辨识模块在获取到信息采集模块输入的信息后,基于响应的路面奇异特征辨识算法对车辆信息进行处理以得到奇异特征,具体为首先设置奇异特征阈值,其次根据读取车载传感器输入的车辆z轴加速度是否大于奇异特征阈值来判断是否为奇异特征,并基于逆动力学方法计算奇异特征沿轮胎的中轴线长度l1和深度z,得到路面奇异特征沿轮胎中轴线图像;其中,路面奇异特征沿轮胎中轴线图像,如图3所示,在轮胎坐标系中,x轴为车辆前进方向,z轴为垂向方向,x-z坐标系为空间坐标,即得到的是沿车辆前进方向的奇异特征深度。
其中,路面奇异特征沿x方向每一点深度z都可以视为是横纵坐标(x,y)的函数f(x,y)。此处坐标与车轮接地面中心固连,因此其纵向坐标为零,即y=0。如图3中M点横坐标为x1,深度为z1,则z1=f(x1,0)。
非接触式路面奇异特征辨识算法包括数据处理模块和数据融合模块。
数据处理模块在收到步骤一发送的路面信息后,激光雷达数据处理模块对路面原始点云数据进行处理,包括:先进行点云去噪、点云分割等预处理,利用K-means聚类算法对预处理后的路面原始点云数据进行聚类分析,得到带有路面奇异特征的轮廓信息点云数据,作为数据融合模块的输入。相机数据处理模块运用包括灰度化、直方图均衡化、二值化、去噪等方式对路面图像信息进行预处理,采用分割算法对预处理后的路面图像进行分割处理,获得包含路面奇异特征的视觉图像,作为数据融合模块的输入。
数据融合模块判断步骤二激光雷达数据处理模块和相机数据处理模块是否都输出了包含路面奇异特征的信息,分为三种情况:
1.只有激光雷达数据处理模块输出了包含路面奇异特征的信息时,通过对带有路面奇异特征的轮廓信息点云数据进行包围框拟合,以得到奇异特征并作为非接触式识别路面奇异特征。
2.只有相机数据处理模块输出了包含路面奇异特征的信息,通过卷积神经网络模型ssd_Inception_V3_coco对包含路面奇异特征的视觉图像进行特征识别,以得到奇异特征并作为非接触式识别路面奇异特征。
3.激光雷达数据处理模块和相机数据处理模块都输出了包含路面奇异特征的信息时,首先对数据进行时间同步,得到相同时刻特征提取后的激光雷达点云数据和相机数据;然后进行空间同步,将点云数据转换到图像坐标系中,实现激光雷达和相机的空间数据匹配;接着利用D-S(Dempster-Shafer)证据理论,进行传感器数据融合,得到融合后的数据;最后对融合后数据做包围框拟合,以得到奇异特征并作为非接触式识别路面奇异特征。
其中,非接触式识别路面奇异特征中每一点的深度z都是对应横纵坐标的函数,即z=g(x,y)。
步骤三:车载传感器采集信息的同时,轮胎位置模块同步采集信息并实时计算轮胎位置信息。轮胎位置信息可以通过质心位置、车辆侧偏角、通过车辆几何尺寸等计算得到。具体为首先通过GPS定位系统实时采集车辆质心位置信息,通过航位推算系统实时采集车辆航向角θ、质心侧偏角β等,其次通过公式(1)计算车辆横摆角ψ,接着根据车辆横摆角ψ和车辆质心位置信息计算轮胎位置。
根据轮胎位置信息预测车辆行驶轨迹。
以左前轮为例,其示意图如图4所示,采用公式(1)和公式(2)计算左前轮的轮胎位置:
ψ=θ-β (1);
其中,a为车辆质心到前轴距离,b为车辆质心到后轴距离,ψ为车辆横摆角,(X车,Y车)是车辆质心位置。
步骤四:航位推算系统误差符合均值为0、标准差为σ1的正态分布,GPS定位系统误差符合均值为0、标准差为σ2的正态分布。在计算轮胎位置过程中,假定航位推算系统和GPS定位系统误差项相互独立,由航位推算系统误差和GPS定位系统误差叠加计算得到轮胎位置误差,故轮胎位置误差也符合均值为0,标准差为σ的正态分布。
步骤五:根据步骤四的输出的轮胎位置误差构建融合算法加权函数(下文所示融合算法加权函数仅为举例)。
步骤六:根据步骤二输出的非接触式路面奇异特征对应的位置和步骤三输出的车辆行驶轨迹判断车辆是否经过非接触式路面奇异特征对应的位置区域。
如果车辆不经过非接触式路面奇异特征对应的位置区域,则输出该非接触式识别路面奇异特征。如果车辆经过非接触式路面奇异特征对应的位置区域,则借助步骤五输出的融合算法加权函数对步骤三输出的不同路面奇异特征信息进行融合加权,得到融合后的路面奇异特征。
融合算法加权函数:
以步骤四输出的轮胎位置标准差σ、轮胎宽度B作为输入构建如图5所示的权重系数函数,根据权重系数函数计算融合加权函数的权重系数ξ和1-ξ(其中,ξ为沿车辆前进方向的路面奇异特征的权重系数,1-ξ为非接触式路面奇异特征的权重系数)。
路面奇异特征每一点深度都是该点对应横纵坐标函数,即z=f(x,y)。
根据权重系数构建如公式(4)所示融合算法加权函数:
z(x,y)=f(x,y)*ξ+g(x,y)*(1-ξ)(4);
上式所述坐标皆在轮胎坐标系中。如图7所示,g(x,y)是视觉识别的路面奇异特征每一坐标点的深度,f(x,y)是响应识别的路面奇异特征每一坐标点的深度,(x,y,z)为融合后路面奇异特征坐标。
实施例二
参见图8,本实施例提供的一种多源输入信号融合的路面质量检测方法,包括:
步骤801:获取测试车辆行驶在目标区域时的车辆信息和路面信息,以及预测所述测试车辆的行驶轨迹;所述车辆信息包括速度信息、垂向振动信息和位置信息;所述路面信息包括路面原始点云数据和/或路面图像信息;所述路面原始点云数据和所述路面图像信息均包含有位置信息。
步骤802:对所述车辆信息进行特征提取以得到带有位置信息的沿车辆前进方向的路面奇异特征,对所述路面信息进行特征识别以得到带有位置信息的非接触式路面奇异特征。
步骤803:基于所述测试车辆的行驶轨迹,判断所述测试车辆是否经过所述非接触式路面奇异特征对应的位置区域;若是则执行步骤804,若否则执行步骤805。
步骤804:计算综合特征并输出所述综合特征;所述综合特征为同一位置下将所述沿车辆前进方向的路面奇异特征和所述非接触式路面奇异特征融合后得到的特征,或者,所述综合特征为所述沿车辆前进方向的路面奇异特征;
步骤805:输出所述非接触式路面奇异特征。
进一步地,本实施例提供的一种多源输入信号融合的路面质量检测方法,还包括:
步骤806:汇总输出的所述综合特征和所述非接触式路面奇异特征,以确定所述目标区域的路面奇异特征。
其中,本实施例所述的步骤:获取测试车辆行驶在目标区域时的车辆信息,具体包括:
获取车载传感器采集的测试车辆行驶在目标区域时的速度信息和垂向振动信息;获取定位装置采集的测试车辆行驶在目标区域时的位置信息。
本实施例所述的步骤:获取测试车辆行驶在目标区域时的路面信息,具体包括:
获取激光雷达采集的测试车辆行驶在目标区域时的路面原始点云数据,和/或,获取相机采集的测试车辆行驶在目标区域时的路面图像信息。
本实施例所述的步骤:预测所述测试车辆的行驶轨迹,具体包括:
获取定位装置计算的所述测试车辆行驶在所述目标区域时的质心位置信息;获取航位推算装置计算的所述测试车辆行驶在所述目标区域时的车辆航向角和质心侧偏角;基于所述测试车辆的所述质心位置信息、所述车辆航向角、所述质心侧偏角以及几何尺寸,计算所述测试车辆行驶在所述目标区域时的车辆轮胎位置信息;基于所述车辆轮胎位置信息预测所述测试车辆的行驶轨迹
当所述路面信息包括路面原始点云数据和路面图像信息时,本实施例所述的步骤:对所述路面信息进行特征识别以得到带有位置信息的非接触式路面奇异特征,具体包括:
对所述原始点云数据和所述路面图像信息分别进行预处理操作;基于非接触式路面奇异特征识别算法对预处理操作后的原始点云数据进行特征提取,得到第一结果;基于非接触式路面奇异特征识别算法对预处理操作后的路面图像信息进行特征提取,得到第二结果。
在标定位置下,当所述第一结果存储有含有路面奇异特征的轮廓信息点云数据且所述第二结果未存储有含有路面奇异特征的视觉图像时,对所述轮廓信息点云数据进行处理,以确定标定位置对应的带有位置信息的非接触式路面奇异特征;所述标定位置为所述目标区域的任意位置。
在标定位置下,当所述第一结果未存储有含有路面奇异特征的轮廓信息点云数据且所述第二结果存储有含有路面奇异特征的视觉图像时,对所述视觉图像进行处理,以确定标定位置对应的带有位置信息的非接触式路面奇异特征。
在标定位置下,当所述第一结果存储有含有路面奇异特征的轮廓信息点云数据且所述第二结果存储有含有路面奇异特征的视觉图像时,对所述轮廓信息点云数据和所述视觉图像进行时间空间同步处理,以确定标定位置对应的带有位置信息的非接触式路面奇异特征。
当所述路面信息包括路面原始点云数据时,本实施例所述的步骤:对所述路面信息进行特征识别以得到带有位置信息的非接触式路面奇异特征,具体包括:
对所述原始点云数据进行预处理操作;基于非接触式路面奇异特征识别算法对预处理操作后的原始点云数据进行特征提取,得到第一结果;在标定位置下,当所述第一结果存储有含有路面奇异特征的轮廓信息点云数据,对所述轮廓信息点云数据进行处理,以确定标定位置对应的带有位置信息的非接触式路面奇异特征;所述标定位置为所述目标区域的任意位置。
当所述路面信息包括路面图像信息时,本实施例所述的步骤:对所述路面信息进行特征识别以得到带有位置信息的非接触式路面奇异特征,具体包括:
对所述路面图像信息进行预处理操作;基于非接触式路面奇异特征识别算法对预处理操作后的路面图像信息进行特征提取,得到第二结果。
在标定位置下,当所述第二结果存储有含有路面奇异特征的视觉图像时,对所述视觉图像进行处理,以确定标定位置对应的带有位置信息的非接触式路面奇异特征。所述标定位置为所述目标区域的任意位置。
本实施例所述的步骤:计算综合特征,具体包括:
采用融合加权函数,将同一位置下所述沿车辆前进方向的路面奇异特征和所述非接触式路面奇异特征进行融合,以得到综合特征。
或者,当所述非接触式路面奇异特征对应的位置区域未存在所述非接触式路面奇异特征时,将所述沿车辆前进方向的路面奇异特征确定为所述综合特征;
其中,所述融合加权函数的权重系数是根据权重系数函数确定的;所述权重系数函数以所述测试车辆的轮胎位置标准差和所述测试车辆的轮胎宽度作为输入所构建的函数;所述轮胎位置标准差是航位推算装置的误差和定位装置的误差进行叠加计算得到的;所述航位推算装置的误差是所述航位推算装置和所述定位装置共同确定所述测试车辆行驶在所述目标区域时的车辆轮胎位置信息时,所述航位推算装置产生的误差;所述定位装置的误差是所述航位推算装置和所述定位装置共同确定所述测试车辆行驶在所述目标区域时的车辆轮胎位置信息时,所述定位装置产生的误差。
实施例三
参见图9,本实施例提供了一种多源输入信号融合的路面质量检测系统,包括:
信息获取模块901,用于获取测试车辆行驶在目标区域时的车辆信息和路面信息,以及预测所述测试车辆的行驶轨迹;所述车辆信息包括速度信息、垂向振动信息和位置信息;所述路面信息包括路面原始点云数据和/或路面图像信息;所述路面原始点云数据和所述路面图像信息均包含有位置信息。
路面奇异特征计算模块902,用于对所述车辆信息进行特征提取以得到带有位置信息的沿车辆前进方向的路面奇异特征,对所述路面信息进行特征识别以得到带有位置信息的非接触式路面奇异特征。
判断模块903,用于基于所述测试车辆的行驶轨迹,判断所述测试车辆是否经过所述非接触式路面奇异特征对应的位置区域。
第一输出模块904,用于当所述测试车辆经过所述非接触式路面奇异特征对应的位置区域时,计算综合特征并输出所述综合特征;所述综合特征为同一位置下将所述沿车辆前进方向的路面奇异特征和所述非接触式路面奇异特征融合后得到的特征,或者,所述综合特征为所述沿车辆前进方向的路面奇异特征。
第二输出模块905,用于当所述测试车辆未经过所述非接触式路面奇异特征对应的位置区域时,输出所述非接触式路面奇异特征。
进一步地,本实施例所述的一种多源输入信号融合的路面质量检测系统,其特征在于,还包括:
目标区域路面奇异特征确定模块906,用于汇总输出的所述综合特征和所述非接触式路面奇异特征,以确定所述目标区域的路面奇异特征。
其中,在所述计算综合特征方面,所述第一输出模块,具体包括:
综合特征计算单元,用于:
采用融合加权函数,将同一位置下所述沿车辆前进方向的路面奇异特征和所述非接触式路面奇异特征进行融合,以得到综合特征;或者,当所述非接触式路面奇异特征对应的位置区域未存在所述非接触式路面奇异特征时,将所述沿车辆前进方向的路面奇异特征确定为所述综合特征。
其中,所述融合加权函数的权重系数是根据权重系数函数确定的。
所述权重系数函数以所述测试车辆的轮胎位置标准差和所述测试车辆的轮胎宽度作为输入所构建的函数。
所述轮胎位置标准差是航位推算装置的误差和定位装置的误差进行叠加计算得到的。
所述航位推算装置的误差是所述航位推算装置和所述定位装置共同确定所述测试车辆行驶在所述目标区域时的车辆轮胎位置信息时,所述航位推算装置产生的误差。
所述定位装置的误差是所述航位推算装置和所述定位装置共同确定所述测试车辆行驶在所述目标区域时的车辆轮胎位置信息时,所述定位装置产生的误差。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种多源输入信号融合的路面质量检测方法,其特征在于,包括:
获取测试车辆行驶在目标区域时的车辆信息和路面信息,以及预测所述测试车辆的行驶轨迹;所述车辆信息包括速度信息、垂向振动信息和位置信息;所述路面信息包括路面原始点云数据和/或路面图像信息;所述路面原始点云数据和所述路面图像信息均包含有位置信息;
对所述车辆信息进行特征提取以得到带有位置信息的沿车辆前进方向的路面奇异特征,对所述路面信息进行特征识别以得到带有位置信息的非接触式路面奇异特征;
基于所述测试车辆的行驶轨迹,判断所述测试车辆是否经过所述非接触式路面奇异特征对应的位置区域;
若是,则计算综合特征并输出所述综合特征;所述综合特征为同一位置下将所述沿车辆前进方向的路面奇异特征和所述非接触式路面奇异特征融合后得到的特征,或者,所述综合特征为所述沿车辆前进方向的路面奇异特征;
若否,则输出所述非接触式路面奇异特征;
所述计算综合特征,具体包括:
采用融合加权函数,将同一位置下所述沿车辆前进方向的路面奇异特征和所述非接触式路面奇异特征进行融合,以得到综合特征;
或者,当所述非接触式路面奇异特征对应的位置区域未存在所述非接触式路面奇异特征时,将所述沿车辆前进方向的路面奇异特征确定为所述综合特征;
其中,所述融合加权函数的权重系数是根据权重系数函数确定的;
所述权重系数函数以所述测试车辆的轮胎位置标准差和所述测试车辆的轮胎宽度作为输入所构建的函数;
所述轮胎位置标准差是航位推算装置的误差和定位装置的误差进行叠加计算得到的;
所述航位推算装置的误差是所述航位推算装置和所述定位装置共同确定所述测试车辆行驶在所述目标区域时的车辆轮胎位置信息时,所述航位推算装置产生的误差;
所述定位装置的误差是所述航位推算装置和所述定位装置共同确定所述测试车辆行驶在所述目标区域时的车辆轮胎位置信息时,所述定位装置产生的误差。
2.根据权利要求1所述的一种多源输入信号融合的路面质量检测方法,其特征在于,还包括:
汇总输出的所述综合特征和所述非接触式路面奇异特征,以确定所述目标区域的路面奇异特征。
3.根据权利要求1所述的一种多源输入信号融合的路面质量检测方法,其特征在于,所述获取测试车辆行驶在目标区域时的车辆信息,具体包括:
获取车载传感器采集的测试车辆行驶在目标区域时的速度信息和垂向振动信息;
获取定位装置采集的测试车辆行驶在目标区域时的位置信息。
4.根据权利要求1所述的一种多源输入信号融合的路面质量检测方法,其特征在于,所述获取测试车辆行驶在目标区域时的路面信息,具体包括:
获取激光雷达采集的测试车辆行驶在目标区域时的路面原始点云数据,和/或,获取相机采集的测试车辆行驶在目标区域时的路面图像信息。
5.根据权利要求1所述的一种多源输入信号融合的路面质量检测方法,其特征在于,所述预测所述测试车辆的行驶轨迹,具体包括:
获取定位装置计算的所述测试车辆行驶在所述目标区域时的质心位置信息;
获取航位推算装置计算的所述测试车辆行驶在所述目标区域时的车辆航向角和质心侧偏角;
基于所述测试车辆的所述质心位置信息、所述车辆航向角、所述质心侧偏角以及几何尺寸,计算所述测试车辆行驶在所述目标区域时的车辆轮胎位置信息;
基于所述车辆轮胎位置信息预测所述测试车辆的行驶轨迹。
6.根据权利要求1所述的一种多源输入信号融合的路面质量检测方法,其特征在于,当所述路面信息包括路面原始点云数据和路面图像信息时,对所述路面信息进行特征识别以得到带有位置信息的非接触式路面奇异特征,具体包括:
对所述原始点云数据和所述路面图像信息分别进行预处理操作;
基于非接触式路面奇异特征识别算法对预处理操作后的原始点云数据进行特征提取,得到第一结果;
基于非接触式路面奇异特征识别算法对预处理操作后的路面图像信息进行特征提取,得到第二结果;
在标定位置下,当所述第一结果存储有含有路面奇异特征的轮廓信息点云数据且所述第二结果未存储有含有路面奇异特征的视觉图像时,对所述轮廓信息点云数据进行处理,以确定标定位置对应的带有位置信息的非接触式路面奇异特征;所述标定位置为所述目标区域的任意位置;
在标定位置下,当所述第一结果未存储有含有路面奇异特征的轮廓信息点云数据且所述第二结果存储有含有路面奇异特征的视觉图像时,对所述视觉图像进行处理,以确定标定位置对应的带有位置信息的非接触式路面奇异特征;
在标定位置下,当所述第一结果存储有含有路面奇异特征的轮廓信息点云数据且所述第二结果存储有含有路面奇异特征的视觉图像时,对所述轮廓信息点云数据和所述视觉图像进行时间空间同步处理,以确定标定位置对应的带有位置信息的非接触式路面奇异特征。
7.一种多源输入信号融合的路面质量检测系统,其特征在于,包括:
信息获取模块,用于获取测试车辆行驶在目标区域时的车辆信息和路面信息,以及预测所述测试车辆的行驶轨迹;所述车辆信息包括速度信息、垂向振动信息和位置信息;所述路面信息包括路面原始点云数据和/或路面图像信息;所述路面原始点云数据和所述路面图像信息均包含有位置信息;
路面奇异特征计算模块,用于对所述车辆信息进行特征提取以得到带有位置信息的沿车辆前进方向的路面奇异特征,对所述路面信息进行特征识别以得到带有位置信息的非接触式路面奇异特征;
判断模块,用于基于所述测试车辆的行驶轨迹,判断所述测试车辆是否经过所述非接触式路面奇异特征对应的位置区域;
第一输出模块,用于当所述测试车辆经过所述非接触式路面奇异特征对应的位置区域时,计算综合特征并输出所述综合特征;所述综合特征为同一位置下将所述沿车辆前进方向的路面奇异特征和所述非接触式路面奇异特征融合后得到的特征,或者,所述综合特征为所述沿车辆前进方向的路面奇异特征;
第二输出模块,用于当所述测试车辆未经过所述非接触式路面奇异特征对应的位置区域时,输出所述非接触式路面奇异特征;
在所述计算综合特征方面,所述第一输出模块,具体包括:
综合特征计算单元,用于:
采用融合加权函数,将同一位置下所述沿车辆前进方向的路面奇异特征和所述非接触式路面奇异特征进行融合,以得到综合特征;
或者,当所述非接触式路面奇异特征对应的位置区域未存在所述非接触式路面奇异特征时,将所述沿车辆前进方向的路面奇异特征确定为所述综合特征;
其中,所述融合加权函数的权重系数是根据权重系数函数确定的;
所述权重系数函数以所述测试车辆的轮胎位置标准差和所述测试车辆的轮胎宽度作为输入所构建的函数;
所述轮胎位置标准差是航位推算装置的误差和定位装置的误差进行叠加计算得到的;
所述航位推算装置的误差是所述航位推算装置和所述定位装置共同确定所述测试车辆行驶在所述目标区域时的车辆轮胎位置信息时,所述航位推算装置产生的误差;
所述定位装置的误差是所述航位推算装置和所述定位装置共同确定所述测试车辆行驶在所述目标区域时的车辆轮胎位置信息时,所述定位装置产生的误差。
8.根据权利要求7所述的一种多源输入信号融合的路面质量检测系统,其特征在于,还包括:
目标区域路面奇异特征确定模块,用于汇总输出的所述综合特征和所述非接触式路面奇异特征,以确定所述目标区域的路面奇异特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111220525.2A CN113962301B (zh) | 2021-10-20 | 2021-10-20 | 一种多源输入信号融合的路面质量检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111220525.2A CN113962301B (zh) | 2021-10-20 | 2021-10-20 | 一种多源输入信号融合的路面质量检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113962301A CN113962301A (zh) | 2022-01-21 |
CN113962301B true CN113962301B (zh) | 2022-06-17 |
Family
ID=79465609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111220525.2A Active CN113962301B (zh) | 2021-10-20 | 2021-10-20 | 一种多源输入信号融合的路面质量检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962301B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115420753A (zh) * | 2022-08-25 | 2022-12-02 | 哈尔滨工业大学 | 基于路面纹理测量的污染物分布状况测量方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104964708A (zh) * | 2015-08-03 | 2015-10-07 | 苏州科技学院 | 一种基于车载双目视觉的路面坑槽检测方法 |
CN107092020A (zh) * | 2017-04-19 | 2017-08-25 | 北京大学 | 融合无人机LiDAR和高分影像的路面平整度监测方法 |
CN111583229A (zh) * | 2020-05-09 | 2020-08-25 | 江苏野马软件科技有限公司 | 一种基于卷积神经网络路面故障检测方法 |
CN111707230A (zh) * | 2019-08-02 | 2020-09-25 | 云途信息科技(杭州)有限公司 | 基于多终端数据融合的道路质量检测系统 |
CN111733673A (zh) * | 2020-07-17 | 2020-10-02 | 中国北方车辆研究所 | 基于移动平台的路面不平度非接触测量方法及其装置 |
CN112800913A (zh) * | 2021-01-20 | 2021-05-14 | 同济大学 | 一种基于多源特征融合的路面损伤数据时空分析方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105891332B (zh) * | 2016-05-31 | 2019-08-09 | 广东交通职业技术学院 | 一种多传感器的车载压实度检测装置及其方法 |
CN109829386B (zh) * | 2019-01-04 | 2020-12-11 | 清华大学 | 基于多源信息融合的智能车辆可通行区域检测方法 |
CN109870456B (zh) * | 2019-02-01 | 2022-01-28 | 上海智能交通有限公司 | 一种路面健康状况快速检测系统及方法 |
CN111507233B (zh) * | 2020-04-13 | 2022-12-13 | 吉林大学 | 一种多模态信息融合的智能车路面类型识别方法 |
AU2020101561A4 (en) * | 2020-07-29 | 2020-09-24 | Jiaxing University | A Multi-sensor Data Fusion Based Vehicle Cruise System and Method |
CN112509333A (zh) * | 2020-10-20 | 2021-03-16 | 智慧互通科技股份有限公司 | 一种基于多传感器感知的路侧停车车辆轨迹识别方法及系统 |
-
2021
- 2021-10-20 CN CN202111220525.2A patent/CN113962301B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104964708A (zh) * | 2015-08-03 | 2015-10-07 | 苏州科技学院 | 一种基于车载双目视觉的路面坑槽检测方法 |
CN107092020A (zh) * | 2017-04-19 | 2017-08-25 | 北京大学 | 融合无人机LiDAR和高分影像的路面平整度监测方法 |
CN111707230A (zh) * | 2019-08-02 | 2020-09-25 | 云途信息科技(杭州)有限公司 | 基于多终端数据融合的道路质量检测系统 |
CN111583229A (zh) * | 2020-05-09 | 2020-08-25 | 江苏野马软件科技有限公司 | 一种基于卷积神经网络路面故障检测方法 |
CN111733673A (zh) * | 2020-07-17 | 2020-10-02 | 中国北方车辆研究所 | 基于移动平台的路面不平度非接触测量方法及其装置 |
CN112800913A (zh) * | 2021-01-20 | 2021-05-14 | 同济大学 | 一种基于多源特征融合的路面损伤数据时空分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113962301A (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111787481B (zh) | 一种基于5g的路车协调高精度感知方法 | |
CN112396650B (zh) | 一种基于图像和激光雷达融合的目标测距系统及方法 | |
CN110992683B (zh) | 一种基于动态图像感知的交叉口盲区预警方法及系统 | |
CN112562405A (zh) | 一种雷达视频智能融合与预警方法及系统 | |
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
CN102398598B (zh) | 使用前视和后视摄像机的车道融合系统 | |
US10423841B2 (en) | Abnormality detection device and abnormality detection method | |
CN111797741A (zh) | 车辆检测方法、装置、车辆和存储介质 | |
US20140348390A1 (en) | Method and apparatus for detecting traffic monitoring video | |
CN104573646A (zh) | 基于激光雷达和双目相机的车前行人检测方法及系统 | |
CN102208013A (zh) | 风景匹配参考数据生成系统和位置测量系统 | |
CN113253257B (zh) | 一种基于多毫米波雷达和视觉的露天矿障碍物检测方法 | |
CN112464889A (zh) | 道路车辆姿态和运动信息检测方法 | |
CN114495064A (zh) | 一种基于单目深度估计的车辆周围障碍物预警方法 | |
WO2018149539A1 (en) | A method and apparatus for estimating a range of a moving object | |
CN115993597A (zh) | 一种视觉雷达感知融合方法及终端设备 | |
CN113962301B (zh) | 一种多源输入信号融合的路面质量检测方法及系统 | |
CN115923839A (zh) | 一种车辆路径规划方法 | |
CN115034324A (zh) | 一种多传感器融合感知效能增强方法 | |
US10916034B2 (en) | Host vehicle position estimation device | |
CN111539278A (zh) | 一种用于目标车辆的检测方法及系统 | |
CN115379408B (zh) | 基于场景感知的v2x多传感器融合方法及装置 | |
CN111414857A (zh) | 一种基于视觉的多特征融合的前方车辆检测方法 | |
JP2940366B2 (ja) | 対象物の追従認識装置 | |
CN116587978A (zh) | 一种基于车载显示屏的碰撞预警方法及系统 |
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 |