CN114194219A - 一种自动驾驶车辆行驶道路模型预测方法 - Google Patents
一种自动驾驶车辆行驶道路模型预测方法 Download PDFInfo
- Publication number
- CN114194219A CN114194219A CN202210111027.2A CN202210111027A CN114194219A CN 114194219 A CN114194219 A CN 114194219A CN 202210111027 A CN202210111027 A CN 202210111027A CN 114194219 A CN114194219 A CN 114194219A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- road
- road model
- updating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000008447 perception Effects 0.000 claims abstract description 38
- 230000033001 locomotion Effects 0.000 claims abstract description 26
- 230000006399 behavior Effects 0.000 claims description 7
- 230000004888 barrier function Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001934 delay Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 101100371648 Caenorhabditis elegans usp-14 gene Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 101150090882 tgt-1 gene Proteins 0.000 description 1
- 101150041549 tgt-2 gene Proteins 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种自动驾驶车辆行驶道路模型预测方法，包括步骤：感知信息初始化，分别基于道路信息、高精地图与导航地图以及车辆感知系统感知信息更新车辆行驶道路模型；基于上述道路信息、高精地图与导航地图以及车辆感知系统的感知输入更新得到当前时刻道路模型参数信息，并基于使用输入的感知类型确定当前时刻的道路模型的类型和信心值，得到的计算结果用于下一个时刻车辆行驶道路模型更新的初始值，并结合车辆运动状态得到先验预测车辆行驶道路模型，并结合下一个时刻的传感器输入，重复上述步骤的道路信息、高精地图与导航地图以及车辆感知系统感知更新，得到最终车辆行驶道路模型。本发明采用多种感知输入，能准确反馈车辆运动轨迹问题。
Description
技术领域
本发明涉及自动驾驶领域，具体为一种自动驾驶车辆行驶道路模型预测方法。
背景技术
车辆行驶道路模型在自动驾驶车辆的行为规划和控制中起到重要作用，它可以预测本车行驶轨迹，进而对行驶轨迹上的道路特性障碍物信息进行获取和预测判断。进而用于自动驾驶车辆转向控制以及驱动、制动控制。如下图，基于车辆行驶道路模型可以对主车辆周围行驶的目标进行结构化处理并删减分割，将关键目标和危险目标进行提取，进而作为车辆横纵向控制输入。因此，车辆行驶道路模型的预测计算是自动驾驶领域中一项关键技术。
目前，车辆道路模型获取主要是基于单一信息预测：如基于只基于车身运动状态信息如车速、横摆角速度信息获取，是基于当前车辆状态的一种稳态估计方法，没有很好表征未来车辆运动趋势(如直行车辆前方出现弯道信息)；而基于车道线等感知信息虽然能表征未来一定时空下的道路信息，但受限于障碍物，天气等，获取的道路模型鲁棒性受限。而多种信息获取道路模型受限于不同类型感知系统获取信息不统一，很难对多个输入信息进行融合使用。
随着自动驾驶技术发展，未来自动驾驶车辆会安装越来越多的传感器，如雷达、摄像头、激光雷达、高精地图、高精度惯导IMU等传感器。得益于图像处理技术、目标融合技术、定位技术突破发展，获取多维度感知信息已经触手可及，而利用这些丰富的信息获取更加准确稳定的车辆道路模型会对行驶在公共道路上的自动驾驶车辆的全提供稳定可靠保证。
发明内容
本发明的目的在于提供一种自动驾驶车辆行驶道路模型预测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种自动驾驶车辆行驶道路模型预测方法，包括步骤：
S1：感知信息初始化，分别基于道路信息、高精地图与导航地图以及车辆感知系统感知信息更新车辆行驶道路模型；
S2：基于S1中道路信息、高精地图与导航地图以及车辆感知系统的感知输入更新得到当前时刻道路模型参数信息，并基于使用输入的感知类型确定当前时刻的道路模型的类型和信心值，得到的计算结果用于下一个时刻车辆行驶道路模型更新的初始值，并结合车辆运动状态得到先验预测车辆行驶道路模型，并结合下一个时刻的传感器输入，重复S1中道路信息、高精地图与导航地图以及车辆感知系统感知更新，得到最终车辆行驶道路模型。
优选的，S1中基于道路信息更新车辆行驶道路模型的步骤包括：
S101a：判断获取的车道线、路延，栅栏信息是否能用于道路模型更新，然后判断该信息的信心值(以车道线为例，主要检测其长度、清晰度、曲率、是否有交叉等信息)；
S102a：判断车辆是否有变道行为以及是否沿着车道线行驶；
S103a：将经过校验车道线模型离散化，并基于车辆行驶道路模型进行卡尔曼heading更新。
优选的，S1中基于高精地图与导航地图更新车辆行驶道路模型的步骤包括：
S101b：判断车辆定位系统是否正常以及当前道路上是否有高精地图覆盖；
S102b：将高精地图信息于导航地图信息融合，确定车辆行驶的路径Path信息；
S103b：根据高精度地图上的Path对应的Link获取车辆前方道路散点信息，并基于车辆行驶道路模型进行卡尔曼heading更新。
优选的，S1中基于车辆感知系统感知信息更新车辆行驶道路模型的步骤包括：
S101c：根据车辆感知系统获取前方行驶车辆信息，并筛选出运动且没有发生变道行为的车辆；
S102c：基于相邻采样时刻后期前后运动属性，运动属性包括位置、速度信息，并基于两个运动关系差值得到车辆的运动heading信息；
S103c：对上述所有获取的车辆的运动heading信息均值，并得到该均值的方差，作为卡尔曼更新的噪声，再对上述所有车辆heading与均值heading比较，获取差值在合理范围的车辆作为有效heading车辆，根据车辆的纵向位置与heading信息，基于车辆行驶道路模型进行卡尔曼heading更新。
优选的，步骤S101a-S103a中基于有效的车道线、道路边沿信息、栅栏信息，并分别获取其在距离主车辆不同纵向距离下的多个散点信息，根据其纵向位置的heading信息，即车头方向与当前车道线当前点切线方向，用于更新车辆行驶道路模型。
优选的，步骤S101b-S103b中基于导航地图与高精地图融合得到车辆未来行驶路径Path上所包含的Link信息，获取Link上当前车道的道路线散点信息更新车辆行驶道路模型。
优选的，S101c-S103c中通过获取本车辆前方运动有效车辆目标，根据目标前后两个时间获取的运动信息得到目标运动heading，综合得到交通前方交通流的heading信息，再把与交通流heading近似的车辆作为单独的点更新车辆行驶道路模型。
优选的，S1的道路信息、高精地图与导航地图以及车辆感知系统感知信息更新模型可在不同感知输入下统一为前方某个距离下更新的heading信息，最终得到统一的车辆行驶道路模型。
优选的，上述方法是随着感知系统输入实时更新，根据车辆运动状态前方交流以及环境道路信息实时变化。
与现有技术相比，本发明的有益效果是：
本发明针对自动驾驶车辆行驶轨迹的车辆道路模型，采用多种感知输入，能准确反馈车辆前方运动轨迹问题；并且通过方法统一不同感知结果输出的更新方式，实现基于车辆及传感器多种输入下的车辆道路模型，而基于该模型能对行驶在公共道路上的自动驾驶车辆的全提供稳定可靠保证，提高了自动驾驶及交通信息领域对车辆行驶信息的处理、感知及更新。
附图说明
图1为本发明的实施例中基于不同感知输入更新建立的车辆行驶道路模型流程框图；
图2为本发明的实施例附图。
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。
请参阅图1，本发明提供一种技术方案：一种自动驾驶车辆行驶道路模型预测方法，包括步骤：
S1：感知信息初始化，分别基于道路信息、高精地图与导航地图以及车辆感知系统感知信息更新车辆行驶道路模型；
S2：基于S1中道路信息、高精地图与导航地图以及车辆感知系统的感知输入更新得到当前时刻道路模型参数信息，并基于使用输入的感知类型确定当前时刻的道路模型的类型和信心值，得到的计算结果用于下一个时刻车辆行驶道路模型更新的初始值，并结合车辆运动状态得到先验预测车辆行驶道路模型，并结合下一个时刻的传感器输入，重复S1中道路信息、高精地图与导航地图以及车辆感知系统感知更新，得到最终车辆行驶道路模型。
在本实施例中，S1中基于道路信息更新车辆行驶道路模型的步骤包括：
S101a：判断获取的车道线、路延，栅栏信息是否能用于道路模型更新，然后判断该信息的信心值(以车道线为例，主要检测其长度、清晰度、曲率、是否有交叉等信息)；
S102a：判断车辆是否有变道行为以及是否沿着车道线行驶；
S103a：将经过校验车道线模型离散化，并基于车辆行驶道路模型进行卡尔曼heading更新。
在本实施例中，S1中基于高精地图与导航地图更新车辆行驶道路模型的步骤包括：
S101b：判断车辆定位系统是否正常以及当前道路上是否有高精地图覆盖；
S102b：将高精地图信息于导航地图信息融合，确定车辆行驶的路径Path信息；
S103b：根据高精度地图上的Path对应的Link获取车辆前方道路散点信息，并基于车辆行驶道路模型进行卡尔曼heading更新。
在本实施例中，S1中基于车辆感知系统感知信息更新车辆行驶道路模型的步骤包括：
S101c：根据车辆感知系统获取前方行驶车辆信息，并筛选出运动且没有发生变道行为的车辆；
S102c：基于相邻采样时刻后期前后运动属性，运动属性包括位置、速度信息，并基于两个运动关系差值得到车辆的运动heading信息；
S103c：对上述所有获取的车辆的运动heading信息均值，并得到该均值的方差，作为卡尔曼更新的噪声，再对上述所有车辆heading与均值heading比较，获取差值在合理范围的车辆作为有效heading车辆，根据车辆的纵向位置与heading信息，基于车辆行驶道路模型进行卡尔曼heading更新。
在本实施例中，步骤S101a-S103a中基于有效的车道线、道路边沿信息、栅栏信息，并分别获取其在距离主车辆不同纵向距离下的多个散点信息，根据其纵向位置的heading信息，即车头方向与当前车道线当前点切线方向，用于更新车辆行驶道路模型。
在本实施例中，步骤S101b-S103b中基于导航地图与高精地图融合得到车辆未来行驶路径Path上所包含的Link信息，获取Link上当前车道的道路线散点信息更新车辆行驶道路模型。
在本实施例中，S101c-S103c中通过获取本车辆前方运动有效车辆目标，根据目标前后两个时间获取的运动信息得到目标运动heading，综合得到交通前方交通流的heading信息，再把与交通流heading近似的车辆作为单独的点更新车辆行驶道路模型。
在本实施例中，S1的道路信息、高精地图与导航地图以及车辆感知系统感知信息更新模型可在不同感知输入下统一为前方某个距离下更新的heading信息，最终得到统一的车辆行驶道路模型。
上述方法中构建预测道路模型为：
构建统一的卡尔曼道路模型传递函数：
thetak＝F*thetak-1+Q
zk＝H*thetak+R
其中：
Q为系统过程噪声矩阵，则Theta的系统更新矩阵为：
假定当前车速为v，系统的运算周期为T；
则F矩阵为：
而感知测量值与系统状态量之间传递矩阵H为
R为测量噪声。
基于上述过程的预测方程表示为：
thetak(-)＝F*thetak-1
系统更新方程为：
Kk＝Pk(-)*HT/(H*Pk(-)*HT+R
thetak＝thetak(-)+Kk*(Zk-H*thetak(-))
在本实施例中，当为车道线更新情况下：定义车道线模型，假定车道线已经根据confidence校验完成，并得到其多项式表达式，常用为y＝a0+a1*x+a2*x^2+a3*x^3，其中x为车辆坐标系下汽车纵向距离x，y为车道线在x距离处的侧向距离。则容易得到车道线在x距离处的heading为heading(x)＝a1+2*a2*x+3*a3*x^2；
根据当前可以检测到的车道线长度，则得到一系列点：
[(x1，heading(x1))，(x2，heading(x2))，(x3，heading(x3))，…(xn，heading(xn))]；
以上点作为测量值z分别代入上述卡尔曼更新方程中，则可以得到基于车道线更新后的道路模型多项式系数。
在本实施例中，由于高精地图提供路段所有的信息，在一些有多条路径(多个Path)的情况下，需要配合导航地图确定最终车辆行驶方向，得到车辆未来行驶路径。根据路径上的高精度地图信息，很容易得到前方点属性，[(long1，heading(1ong 1))，(long 2，heading(long 2))，(long 3，heading(long 3))，…(long n，heading(long n))]；
在本实施例中，当为目标更新情况下，通过感知系统得到前方目标在当前时刻以及上一个时刻的x方向和y方向的位移信息。
flowdx＝xcurrent-xprev
flowdy＝ycurrent-yprev
在本实施例中，位移信息需要进过以下校验：由于目标静止，或者速度太低导致位移非常小；目标的heading与整体车流heading偏差太大等。当位移信息校验合理后，则认为该目标可以用于道路模型更新，得到目标信息如下：[(Tgt1_long，heading(Tgt1))，(Tgt2_long，heading(Tgt2))，(Tgt3_long，heading(Tgt3))，…(Tgtn_long，heading(Tgt_n))]。
在本实施例中，上述方法是随着感知系统输入实时更新，根据车辆运动状态前方交流以及环境道路信息实时变化。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种自动驾驶车辆行驶道路模型预测方法，其特征在于，包括如下步骤：
S1：感知信息初始化，分别基于道路信息、高精地图与导航地图以及车辆感知系统感知信息更新车辆行驶道路模型；
S2：基于S1中道路信息、高精地图与导航地图以及车辆感知系统的感知输入更新得到当前时刻道路模型参数信息，并基于使用输入的感知类型确定当前时刻的道路模型的类型和信心值，得到的计算结果用于下一个时刻车辆行驶道路模型更新的初始值，并结合车辆运动状态得到先验预测车辆行驶道路模型，并结合下一个时刻的传感器输入，重复S1中道路信息、高精地图与导航地图以及车辆感知系统感知更新，得到最终车辆行驶道路模型。
2.根据权利要求1所述的一种自动驾驶车辆行驶道路模型预测方法，其特征在于，所述S1中基于道路信息更新车辆行驶道路模型的步骤包括：S101a：判断获取的车道线、路延，栅栏信息是否能用于道路模型更新，然后判断该信息的信心值；S102a：判断车辆是否有变道行为以及是否沿着车道线行驶；S103a：将经过校验车道线模型离散化，并基于车辆行驶道路模型进行卡尔曼heading更新。
3.根据权利要求1所述的一种自动驾驶车辆行驶道路模型预测方法，其特征在于，所述S1中基于高精地图与导航地图更新车辆行驶道路模型的步骤包括：S101b：判断车辆定位系统是否正常以及当前道路上是否有高精地图覆盖；S102b：将高精地图信息于导航地图信息融合，确定车辆行驶的路径Path信息；S103b：根据高精度地图上的Path对应的Link获取车辆前方道路散点信息，并基于车辆行驶道路模型进行卡尔曼heading更新。
4.根据权利要求1所述的一种自动驾驶车辆行驶道路模型预测方法，其特征在于，所述S1中基于车辆感知系统感知信息更新车辆行驶道路模型的步骤包括：S101c：根据车辆感知系统获取前方行驶车辆信息，并筛选出运动且没有发生变道行为的车辆；S102c：基于相邻采样时刻后期前后运动属性，运动属性包括位置、速度信息，并基于两个运动关系差值得到车辆的运动heading信息；S103c：对上述所有获取的车辆的运动heading信息均值，并得到该均值的方差，作为卡尔曼更新的噪声，再对上述所有车辆heading与均值heading比较，获取差值在合理范围的车辆作为有效heading车辆，根据车辆的纵向位置与heading信息，基于车辆行驶道路模型进行卡尔曼heading更新。
5.根据权利要求2所述的一种自动驾驶车辆行驶道路模型预测方法，其特征在于，所述步骤S101a-S103a中基于有效的车道线、道路边沿信息、栅栏信息，并分别获取其在距离主车辆不同纵向距离下的多个散点信息，根据其纵向位置的heading信息，即车头方向与当前车道线当前点切线方向，用于更新车辆行驶道路模型。
6.根据权利要求3所述的一种自动驾驶车辆行驶道路模型预测方法，其特征在于，所述步骤S101b-S103b中基于导航地图与高精地图融合得到车辆未来行驶路径Path上所包含的Link信息，获取Link上当前车道的道路线散点信息更新车辆行驶道路模型。
7.根据权利要求4所述的一种自动驾驶车辆行驶道路模型预测方法，其特征在于，所述S101c-S103c中通过获取本车辆前方运动有效车辆目标，根据目标前后两个时间获取的运动信息得到目标运动heading，综合得到交通前方交通流的heading信息，再把与交通流heading近似的车辆作为单独的点更新车辆行驶道路模型。
8.根据权利要求1所述的一种自动驾驶车辆行驶道路模型预测方法，其特征在于，上述的道路信息、高精地图与导航地图以及车辆感知系统感知信息更新模型可在不同感知输入下统一为前方某个距离下更新的heading信息，最终得到统一的车辆行驶道路模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210111027.2A CN114194219B (zh) | 2022-01-19 | 2022-01-19 | 一种自动驾驶车辆行驶道路模型预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210111027.2A CN114194219B (zh) | 2022-01-19 | 2022-01-19 | 一种自动驾驶车辆行驶道路模型预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114194219A true CN114194219A (zh) | 2022-03-18 |
| CN114194219B CN114194219B (zh) | 2023-09-12 |
Family
ID=80658879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210111027.2A Active CN114194219B (zh) | 2022-01-19 | 2022-01-19 | 一种自动驾驶车辆行驶道路模型预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114194219B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114821530A (zh) * | 2022-04-22 | 2022-07-29 | 北京裕峻汽车技术研究院有限公司 | 基于深度学习的车道线检测方法及系统 |
| CN115782926A (zh) * | 2022-12-29 | 2023-03-14 | 苏州市欧冶半导体有限公司 | 一种基于道路信息的车辆运动预测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101943916A (zh) * | 2010-09-07 | 2011-01-12 | 陕西科技大学 | 一种基于卡尔曼滤波器预测的机器人避障方法 |
| CN106355903A (zh) * | 2016-09-13 | 2017-01-25 | 枣庄学院 | 基于视频分析的多车道车流量检测方法 |
| KR20180081266A (ko) * | 2017-01-06 | 2018-07-16 | 현대자동차주식회사 | 자율 주행 시스템 |
| CN113753034A (zh) * | 2021-10-21 | 2021-12-07 | 东南大学 | 一种考虑路面附着条件的大型营运车辆防碰撞决策方法 |
| KR20220002087A (ko) * | 2020-06-30 | 2022-01-06 | 한양대학교 산학협력단 | 심층 신경망을 이용한 차선 추정 방법 및 장치 |
-
2022
- 2022-01-19 CN CN202210111027.2A patent/CN114194219B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101943916A (zh) * | 2010-09-07 | 2011-01-12 | 陕西科技大学 | 一种基于卡尔曼滤波器预测的机器人避障方法 |
| CN106355903A (zh) * | 2016-09-13 | 2017-01-25 | 枣庄学院 | 基于视频分析的多车道车流量检测方法 |
| KR20180081266A (ko) * | 2017-01-06 | 2018-07-16 | 현대자동차주식회사 | 자율 주행 시스템 |
| KR20220002087A (ko) * | 2020-06-30 | 2022-01-06 | 한양대학교 산학협력단 | 심층 신경망을 이용한 차선 추정 방법 및 장치 |
| CN113753034A (zh) * | 2021-10-21 | 2021-12-07 | 东南大学 | 一种考虑路面附着条件的大型营运车辆防碰撞决策方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114821530A (zh) * | 2022-04-22 | 2022-07-29 | 北京裕峻汽车技术研究院有限公司 | 基于深度学习的车道线检测方法及系统 |
| CN115782926A (zh) * | 2022-12-29 | 2023-03-14 | 苏州市欧冶半导体有限公司 | 一种基于道路信息的车辆运动预测方法及装置 |
| CN115782926B (zh) * | 2022-12-29 | 2023-12-22 | 苏州市欧冶半导体有限公司 | 一种基于道路信息的车辆运动预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114194219B (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11561542B2 (en) | Safety and comfort constraints for navigation | |
| US20240085922A1 (en) | Trajectory selection for an autonomous vehicle | |
| CN107451521B (zh) | 车辆车道图估算 | |
| US11738741B2 (en) | Navigation based on detected occlusion overlapping a road entrance | |
| CN110001658B (zh) | 用于车辆的路径预测 | |
| JP6666075B2 (ja) | 道路の車線識別子を決定する方法及び装置 | |
| CN108291813B (zh) | 借助姿态图的位置数据融合 | |
| CN102529975B (zh) | 用于精确的分车道车辆定位的系统和方法 | |
| CN103577682B (zh) | 在道路改变情境中使用导航输入的锚车道选择方法 | |
| US11499834B2 (en) | Aligning road information for navigation | |
| RU2742213C1 (ru) | Способ управления информацией о полосах движения, способ управления движением и устройство управления информацией о полосах движения | |
| CN111415522A (zh) | 用于规划车辆轨迹的方法 | |
| CN114005280B (zh) | 一种基于不确定性估计的车辆轨迹预测方法 | |
| CN114194219A (zh) | 一种自动驾驶车辆行驶道路模型预测方法 | |
| CN112567439B (zh) | 一种交通流信息的确定方法、装置、电子设备和存储介质 | |
| CN112394725B (zh) | 用于自动驾驶的基于预测和反应视场的计划 | |
| JP6171499B2 (ja) | 危険度判定装置及び危険度判定方法 | |
| CN115230719B (zh) | 一种行驶轨迹规划方法和装置 | |
| Wang et al. | Trajectory prediction for turning vehicles at intersections by fusing vehicle dynamics and driver’s future input estimation | |
| CN116552564A (zh) | 行车轨迹确定方法及装置、电子设备及可读存储介质 | |
| CN115195773A (zh) | 用于控制车辆驾驶的装置和方法及记录介质 | |
| JP2023151393A (ja) | 走行制御方法及び走行制御装置 | |
| CN117897749A (zh) | 一种车辆位置的预测方法、装置、车辆及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240524 Address after: 200120, Room 507, 5th Floor, Building 1, No. 58 Xiangke Road, Pudong New Area (Shanghai) Pilot Free Trade Zone, Shanghai Patentee after: Shanghai Zhijia Technology Co.,Ltd. Country or region after: China Address before: 201203 floor 5, building 2, No. 2966, Jinke Road, Pudong New Area (Shanghai) pilot Free Trade Zone, Shanghai Patentee before: SHANGHAI MAXIEYE AUTOMOBILE TECHNOLOGY CO.,LTD. Country or region before: China |