CN114415683A - 一种基于人工智能的无人驾驶汽车避碰方法及系统 - Google Patents
一种基于人工智能的无人驾驶汽车避碰方法及系统 Download PDFInfo
- Publication number
- CN114415683A CN114415683A CN202210053626.3A CN202210053626A CN114415683A CN 114415683 A CN114415683 A CN 114415683A CN 202210053626 A CN202210053626 A CN 202210053626A CN 114415683 A CN114415683 A CN 114415683A
- Authority
- CN
- China
- Prior art keywords
- driving
- real
- complexity
- image set
- time
- 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 58
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 89
- 238000012937 correction Methods 0.000 claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 abstract description 15
- 230000000694 effects Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008447 perception Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
- G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于人工智能的无人驾驶汽车避碰方法及系统,所述方法包括:获得第一无人驾驶汽车在第一规划驾驶路径的第一分析图像集和第二分析图像集;获得第一实时路况信息和第一驾驶天气信息;将所述第一实时路况信息和所述第一驾驶天气信息输入复杂度检测模型,获得第一驾驶复杂度;判断所述第一驾驶复杂度是否处于预设驾驶复杂度阈值中;若处于,根据第一预警指令,将所述第一修正参数阈值添加至第一规划避碰参数阈值中,获得第一实时避碰参数阈值对所述第一无人驾驶汽车进行碰撞预警。解决了现有技术中存在无人驾驶汽车传感器在复杂环境下干扰较多,预测碰撞的紧急反应阈值欠缺智能化设置的技术问题。
Description
技术领域
本发明涉及无人驾驶相关领域,尤其涉及一种基于人工智能的无人驾驶汽车避碰方法及系统。
背景技术
无人驾驶汽车是智能汽车的一种,也称为轮式移动机器人,主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶的目的。它是利用车载传感器来感知车辆周围环境,并根据感知所获得的道路、车辆位置和障碍物信息,控制车辆的转向和速度,从而使车辆能够安全、可靠地在道路上行驶。车辆的碰撞往往会造成非常严重的事故,不仅危害驾驶人员安全,同时对于其他人或者车辆也都存在潜在的危险。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中存在无人驾驶汽车传感器在复杂环境下干扰较多,预测碰撞的紧急反应阈值欠缺智能化设置的技术问题。
发明内容
本申请实施例通过提供一种基于人工智能的无人驾驶汽车避碰方法及系统,解决了现有技术中存在无人驾驶汽车传感器在复杂环境下干扰较多,预测碰撞的紧急反应阈值欠缺智能化设置的技术问题,达到了通过对路况信息中的复杂环境进行分析,进而对预测碰撞紧急反应阈值进行智能化修正,提高避碰执行有效性的技术效果。
鉴于上述问题,提出了本申请实施例提供一种基于人工智能的无人驾驶汽车避碰方法及系统。
第一方面,本申请实施例提供了一种基于人工智能的无人驾驶汽车避碰方法,其中,所述方法应用于无人驾驶汽车碰撞预警系统,所述系统与一摄像头通信连接,所述方法包括:获得第一无人驾驶汽车的第一规划驾驶路径;通过第一摄像头对所述第一规划驾驶路径进行图像采集,获得第一分析图像集和第二分析图像集,其中,所述第一分析图像集为实时路况图像集,所述第二分析图像集为实时天气图像集;根据所述第一分析图像集,获得第一实时路况信息;根据所述第二分析图像集,获得第一驾驶天气信息;将所述第一实时路况信息和所述第一驾驶天气信息输入复杂度检测模型中,获得第一驾驶复杂度;根据所述第一驾驶复杂度,获得第一修正参数阈值;判断所述第一驾驶复杂度是否处于预设驾驶复杂度阈值中;若所述第一驾驶复杂度是处于所述预设驾驶复杂度阈值中,获得第一预警指令;根据所述第一预警指令,将所述第一修正参数阈值添加至第一规划避碰参数阈值中,获得第一实时避碰参数阈值,其中,所述第一实时避碰参数阈值用于对所述第一无人驾驶汽车进行碰撞预警。
另一方面,本申请还提供了一种基于人工智能的无人驾驶汽车避碰系统,第一获得单元,所述第一获得单元用于获得第一无人驾驶汽车的第一规划驾驶路径;第一采集单元,所述第一采集单元用于过第一摄像头对所述第一规划驾驶路径进行图像采集,获得第一分析图像集和第二分析图像集,其中,所述第一分析图像集为实时路况图像集,所述第二分析图像集为实时天气图像集;第二获得单元,所述第二获得单元用于根据所述第一分析图像集,获得第一实时路况信息;第三获得单元,所述第三获得单元用于根据所述第二分析图像集,获得第一驾驶天气信息;第一输入单元,所述第一输入单元用于将所述第一实时路况信息和所述第一驾驶天气信息输入复杂度检测模型中,获得第一驾驶复杂度;第四获得单元,所述第四获得单元用于根据所述第一驾驶复杂度,获得第一修正参数阈值;第一判断单元,所述第一判断单元用于判断所述第一驾驶复杂度是否处于预设驾驶复杂度阈值中;第五获得单元,所述第五获得单元用于若所述第一驾驶复杂度是处于所述预设驾驶复杂度阈值中,获得第一预警指令;第六获得单元,所述第六获得单元用于根据所述第一预警指令,将所述第一修正参数阈值添加至第一规划避碰参数阈值中,获得第一实时避碰参数阈值,其中,所述第一实时避碰参数阈值用于对所述第一无人驾驶汽车进行碰撞预警。
第三方面,本发明提供了一种基于人工智能的无人驾驶汽车避碰系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过对第一无人驾驶汽车的第一规划驾驶路径进行图像采集,从而基于对实时路况图像集的第一分析图像集进行分析获得第一实时路况信息,对实时天气图像集的第二分析图像集进行分析获得第一驾驶天气信息,进而通过将所述第一实时路况信息和所述第一驾驶天气信息输入复杂度检测模型中,获得第一驾驶复杂度,并根据所述第一驾驶复杂度进行预警判断,进而对于发生预警的驾驶过程中将所述第一修正参数阈值添加至第一规划避碰参数阈值完成反应阈值修正的方式,达到了通过对路况信息中的复杂环境进行分析,进而对预测碰撞紧急反应阈值进行智能化修正,提高避碰执行有效性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于人工智能的无人驾驶汽车避碰方法的流程示意图;
图2为本申请实施例一种基于人工智能的无人驾驶汽车避碰系统的结构示意图;
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第一采集单元12,第二获得单元13,第三获得单元14,第一输入单元15,第四获得单元16,第一判断单元17,第五获得单元18,第六获得单元19,总线300,接收器301,处理器302,发送器303,存储器304,总线接口305。
具体实施方式
本申请实施例通过提供一种基于人工智能的无人驾驶汽车避碰方法及系统,解决了现有技术中存在无人驾驶汽车传感器在复杂环境下干扰较多,预测碰撞的紧急反应阈值欠缺智能化设置的技术问题,达到了通过对路况信息中的复杂环境进行分析,进而对预测碰撞紧急反应阈值进行智能化修正,提高避碰执行有效性的技术效果。下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
无人驾驶汽车是智能汽车的一种,也称为轮式移动机器人,主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶的目的。它是利用车载传感器来感知车辆周围环境,并根据感知所获得的道路、车辆位置和障碍物信息,控制车辆的转向和速度,从而使车辆能够安全、可靠地在道路上行驶。车辆的碰撞往往会造成非常严重的事故,不仅危害驾驶人员安全,同时对于其他人或者车辆也都存在潜在的危险。但了现有技术中存在无人驾驶汽车传感器在复杂环境下干扰较多,预测碰撞的紧急反应阈值欠缺智能化设置的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种基于人工智能的无人驾驶汽车避碰方法,其中,所述方法应用于无人驾驶汽车碰撞预警系统,所述系统与一摄像头通信连接,所述方法包括:获得第一无人驾驶汽车的第一规划驾驶路径;通过第一摄像头对所述第一规划驾驶路径进行图像采集,获得第一分析图像集和第二分析图像集,其中,所述第一分析图像集为实时路况图像集,所述第二分析图像集为实时天气图像集;根据所述第一分析图像集,获得第一实时路况信息;根据所述第二分析图像集,获得第一驾驶天气信息;将所述第一实时路况信息和所述第一驾驶天气信息输入复杂度检测模型中,获得第一驾驶复杂度;根据所述第一驾驶复杂度,获得第一修正参数阈值;判断所述第一驾驶复杂度是否处于预设驾驶复杂度阈值中;若所述第一驾驶复杂度是处于所述预设驾驶复杂度阈值中,获得第一预警指令;根据所述第一预警指令,将所述第一修正参数阈值添加至第一规划避碰参数阈值中,获得第一实时避碰参数阈值,其中,所述第一实时避碰参数阈值用于对所述第一无人驾驶汽车进行碰撞预警。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于人工智能的无人驾驶汽车避碰方法,其中,所述方法应用于无人驾驶汽车碰撞预警系统,所述系统与一摄像头通信连接,所述方法包括:
步骤S100:获得第一无人驾驶汽车的第一规划驾驶路径;
具体而言,所述第一规划驾驶路径为根据所述第一无人驾驶汽车的汽车属性进行出发地和目标地之间的规划路径,比如所述第一无人驾驶汽车为无人汽车物流配送,会基于配送过程规划路径即获得所述第一规划驾驶路径,进而能够对所述第一无人驾驶汽车的行驶路径进行预先规划,存储相关路径信息。
步骤S200:通过第一摄像头对所述第一规划驾驶路径进行图像采集,获得第一分析图像集和第二分析图像集,其中,所述第一分析图像集为实时路况图像集,所述第二分析图像集为实时天气图像集;
具体而言,所述第一摄像头为智能摄像头,能够对交通信号灯或者物体进行智能识别存储,进而完成无人驾驶车的物体识别,一般而言,摄像头采集的二维图像是对空间中的物体的成像感知,进而推断出三维物理世界的信息,所述第一分析图像信息为对所述第一规划路径中的实时路径路况信息采集的图像集合,比如周围车流量、车辆大小、交通信号灯等图像信息,进一步的,所述第二分析图像信息为对所述第一规划路径中实时驾驶时间的天气进行采集,比如图像中显示天气的雾霾、大雾可见度、下雨程度,等天气信息,进而为之后进行具体的分析提供基础数据。
步骤S300:根据所述第一分析图像集,获得第一实时路况信息;
步骤S400:根据所述第二分析图像集,获得第一驾驶天气信息;
具体而言,通过对所述第一分析图像集中的图像进行属性库划分,进而将采集到的图像信息按照成像感知不同和物体跟踪不同进行不同类别的归类分析,进而获得相关路况特征获得所述第一实时路况信息;进而将所述第二分析图像集中的各个天气特征进行识别完成进一步的天气复杂程度细化计算,进而获得所述第一驾驶天气信息,从而能够完成基于路况和天气的复杂度基础特征分析,再完成进一步有效分析的技术效果。
步骤S500:将所述第一实时路况信息和所述第一驾驶天气信息输入复杂度检测模型中,获得第一驾驶复杂度;
具体而言,所述复杂度检测模型是根据将所述第一实时路况信息和所述第一驾驶天气信息进行复杂度分析的模型,从而获得所述第一驾驶复杂度,详细来说,所述第一驾驶复杂度能够对目前所述第一无人驾驶汽车实时行驶的周围环境复杂度进行标识,从而便于计算机搭建的平台进行相关数据的处理,其中,所述复杂度检测模型是以神经网络模型为基础建立的模型,而神经网络是大量的神经元之间相互连接构成的一种运算模型,网络的输出则依照网络的连接方式的一种逻辑策略表达,通过所述复杂度检测模型的数据训练使得输出的驾驶实时环境复杂度更加准确,达到了准确预测环境复杂度,进而根据其监督学习得到的数据信息完成紧急反应阈值的针对化调整的技术效果。
步骤S600:根据所述第一驾驶复杂度,获得第一修正参数阈值;
具体而言,所述第一修正参数阈值的确定是基于所述第一驾驶复杂度完成的动态阈值设置,由于环境复杂度较高时,所述第一无人驾驶汽车的自动驾驶系统相关数据会增多,进而使得大量数据需要计算,影响其最终计算速度和计算精确度,进一步而言,当天气信息特征明显会对相关感知识别产生一定的影响,从而进一步影响计算的精确度,因此,通过确定所述第一驾驶复杂度再进一步有层级的进行修正参数的阈值设置,达到了智能化修正紧急反应阈值的技术效果。
步骤S700:判断所述第一驾驶复杂度是否处于预设驾驶复杂度阈值中;
步骤S800:若所述第一驾驶复杂度是处于所述预设驾驶复杂度阈值中,获得第一预警指令;
具体而言,所述第一无人驾驶汽车能够基于所述第一驾驶复杂度的程度进行设定,详细来说,当所述第一驾驶复杂度达到一定的复杂度就会产生较大强度的影响,因此,经过判断复杂度高于预先设置的阈值需要通过所述第一预警指令进行预警,表示目前复杂度过高会影响反应阈值计算数据的准确性,进而达到及时预警的技术效果。
步骤S900:根据所述第一预警指令,将所述第一修正参数阈值添加至第一规划避碰参数阈值中,获得第一实时避碰参数阈值,其中,所述第一实时避碰参数阈值用于对所述第一无人驾驶汽车进行碰撞预警。
具体而言,所述第一规划避碰参数是根据所述第一无人驾驶汽车中系统碰撞预警阈值的规划设定参数,进一步的,所述第一规划避碰参数阈值是提前设置并预设存储的参数阈值,根据智能化设置的所述第一修正参数阈值对所述第一规划避碰参数阈值进行动态阈值调整,进而使得所述第一实时避碰参数阈值能够对目前驾驶的实施环境复杂度进行智能化预警,进而达到了通过对路况信息中的复杂环境进行分析,进而对预测碰撞紧急反应阈值进行智能化修正,提高避碰执行有效性的技术效果。
进一步而言,所述根据所述第一分析图像集,获得第一实时路况信息,本申请实施例步骤S300还包括:
步骤S310:构建第一路况类别库;
步骤S320:基于所述第一路况类别库对所述第一分析图像集进行类别划分,获得多类别分析图像集;
步骤S330:通过对所述多类别分析图像集中每一类别图像集进行特征分析,获得多类别路况特征;
步骤S340:基于第一特征统计规则对所述多类别路况特征进行统计,获得所述第一实时路况信息。
具体而言,所述第一路况类别库为基于所述第一无人驾驶汽车在所述第一预设规划路径中的周围环境路况信息,其中,所述第一路况类别库是基于连接的摄像头或激光雷达等探测装置进行计算机感知建模从而形成的道路信息,进而再基于路况中的类别库完成归类的分析统计,其中,获得的路况特征对该类别的特征进行统计以获得每一类别的路况计量总和,进一步来说,所述第一实时路况信息的获得是结合拓扑与地标算法,或者基于集合的视觉里程计算法实现自身定位并获得实时信息,进而达到了基于数学逻辑特性进行路况相关训练数据的计算。
进一步而言,所述构建第一路况类别库,本申请实施例步骤S310还包括:
步骤S311:将第一颜色识别属性作为所述第一路况类别库的第一属性类别;
步骤S312:根据第一动态三维物体和第一静态三维物体,生成第一物体维度属性;
步骤S313:将所述第一物体维度属性作为所述第一路况类别库的第二属性类别;
步骤S314:根据所述第一属性类别和所述第二属性类别,构建所述第一路况类别库。
具体而言,所述第一路况类别库中把包括公路和城区的多种交通环境,进一步的,所述第一颜色识别属性是对车道交通指示灯,或相关指示牌的标志建立的属性类别,比如红绿灯;所述第一动态三维物体维追踪数据目标类型是行人和轿车的动态追踪数据集;所述第一静态三维物体为车道两旁或者静止的车辆物体数据,进一步而言,轿车行车详细来说又包含轿车、厢车、卡车、行人、自行车者、电车等类别,可以用三维框标注物体的大小和朝向,进行类别的判断,从而基于物体维度属性和颜色属性对所述第一看路况类别库中的相关特征进行分析构建所述第一路况类别库,达到了提高数据判断效率的技术效果。
进一步而言,所述根据所述第二分析图像集,获得第一驾驶天气信息,本申请实施例步骤S400还包括:
步骤S410:构建第一天气特征库;
步骤S420:根据所述第一天气特征库对所述第二分析图像集进行天气特征判断,获得第一实时天气特征;
步骤S430:根据所述第一实时天气特征进行可见度分析,获得第一实时可见度;
步骤S440:判断所述第一实时可见度是否处于预设可见度阈值中;
步骤S450:若所述第一实时可见度处于所述预设可见度阈值中,将所述第一实时可见度作为所述第一驾驶天气信息。
具体而言,所述第一天气特征库为包含具有显著特征变化的天气存储库,比如雾霾、雨雪、大雾等大属性条件下各个天气不同程度的特征,进而根据其所述第一实时天气特征进行可见度分析,进一步的,由于谁信那估计在进行天气图像采集时会受到光线的影响,并且当所述第一无人驾驶汽车进行相关感知探测时容易受到空气中悬浮物的影响,从而使得相关传感器进行信号传输的过程受到影响,进而影像其中数据判断的精度,因此,通过将所述第一实时可见度作为所述第一驾驶天气信息的主要参照数据。
进一步而言,所述将所述第一实时路况信息和所述第一驾驶天气信息输入复杂度检测模型中,获得第一驾驶复杂度,本申请实施例S500还包括:
步骤S510:将所述第一实时路况信息和所述第一驾驶天气信息作为输入信息构建复杂度检测模型;
步骤S520:通过多组训练数据训练获得所述复杂度检测模型,其中,所述多组训练数据中的每组均包括:所述第一实时路况信息、所述第一驾驶天气信息和标识第一输出结果的标识信息;
步骤S530:获得所述复杂度检测模型的第一输出结果,所述第一输出结果为获得第一驾驶复杂度。
具体而言,将将所述第一实时路况信息和所述第一驾驶天气信息输入每一组训练数据中进行监督学习,所述复杂度检测模型为是以神经网络模型为基础建立的模型,而神经网络是大量的神经元之间相互连接构成的一种运算模型,网络的输出则依照网络的连接方式的一种逻辑策略表达。进一步而言,所述训练的过程实质为监督学习的过程,所述多组训练数据中的每组均包括:所述第一实时路况信息、所述第一驾驶天气信息和标识第一输出结果的标识信息,所述复杂度检测模型进行不断的自我修正、调整,直至获得的输出结果与所述标识信息一致,结束本组数据监督学习,进行下一组数据监督学习。当所述复杂度检测模型的输出信息达到预定的准确率/达到收敛状态时,则监督学习过程结束,达到了通过所述复杂度检测模型的训练使得输出所述第一驾驶复杂度更加准确,进而对目前驾驶环境的复杂度进行就准确、有效的分析,保证反应阈值设置准确性和可靠性的技术效果。
进一步而言,所述根据所述第一驾驶复杂度,获得第一修正参数阈值,本申请实施例步骤S600还包括:
步骤S610:将所述多组训练数据存储到第一数据调用库;
步骤S620:获得所述第一数据调用库中第一类别数据占比和第二类别数据占比,其中,所述第一类别数据占比为所述第一实时路况信息的数据占比,所述第二类别数据占比为所述第一驾驶天气信息的数据占比;
步骤S630:基于所述第一类别数据占比和所述第二类别数据占比,生成第一调整占比;
步骤S640:根据所述第一调整占比,生成第二调整占比;
步骤S650:根据所述第二调整占比对所述第一驾驶复杂度进行比例分析,生成所述第一修正参数阈值。
具体而言,所述第一类别数据占比为所述多组训练数据中所述第一实时路况训练数据的占比数据,所述第二类别数据占比为所述多组训练数据中所述第一驾驶天气训练数据的占比数据,进一步的,所述占比的计算是基于计算机搭建的数据分析平台进行数量计算的,其中,所述第一调整占比是根据所述第一类别数据占比与所述第二类别数据占比之间的比例确定的,所述第二调整占比为对所述第一调整占比进行二次调整后的占比数据,通过对所述第一驾驶复杂度进行进一步的调整,其中,调整的过程会将所述第一驾驶复杂度进行比例分析,从而获得修正参数比例,所述修正参数比例用于对所述第一修正参数阈值进行调整进而生成所述第一修正参数阈值,提高了修正执行准确性的技术效果。
进一步而言,本申请实施例步骤S640还包括:
步骤S641:获得所述第一实时路况信息的第一复杂等级;
步骤S642:获得所述第一驾驶天气信息的第二复杂等级;
步骤S643:基于所述第一复杂等级和所述第二复杂等级,生成第一调整系数;
步骤S644:根据所述第一调整系数对所述第一调整占比进行修正,生成所述第二调整占比。
具体而言,所述第一复杂等级为基于所述第一实时路况中各个类别特征统计数据进行等级判断的数据;所述第二复杂等级为基于所述第一驾驶天气信息中天气特征的可见度程度确定的对应等级,进一步的,当复杂等级越高表示其影响更大,生成所述第一调整系数进一步对所述第一修调整占比进行二次修正获得us噢书第二调整占比,提高修正参数准确性,进而达到了对预测碰撞紧急反应阈值进行智能化修正,提高避碰执行有效性的技术效果。
综上所述,本申请实施例所提供的一种基于人工智能的无人驾驶汽车避碰方法及系统具有如下技术效果:
1、由于采用了通过对第一无人驾驶汽车的第一规划驾驶路径进行图像采集,从而基于对实时路况图像集的第一分析图像集进行分析获得第一实时路况信息,对实时天气图像集的第二分析图像集进行分析获得第一驾驶天气信息,进而通过将所述第一实时路况信息和所述第一驾驶天气信息输入复杂度检测模型中,获得第一驾驶复杂度,并根据所述第一驾驶复杂度进行预警判断的方式,达到了通过对路况信息中的复杂环境进行准确分析,进一步获得准确调整阈值的技术效果。
2、由于采用了对发生预警的驾驶过程中将不断进行智能修正的所述第一修正参数阈值添加至第一规划避碰参数阈值完成反应阈值有效、准确修正的方式,达到了对预测碰撞紧急反应阈值进行智能化修正,提高避碰执行有效性的技术效果。
实施例二
基于与前述实施例中一种基于人工智能的无人驾驶汽车避碰方法同样发明构思,本发明还提供了一种基于人工智能的无人驾驶汽车避碰系统,如图2所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得第一无人驾驶汽车的第一规划驾驶路径;
第一采集单元12,所述第一采集单元12用于过第一摄像头对所述第一规划驾驶路径进行图像采集,获得第一分析图像集和第二分析图像集,其中,所述第一分析图像集为实时路况图像集,所述第二分析图像集为实时天气图像集;第二获得单元13,所述第二获得单元13用于根据所述第一分析图像集,获得第一实时路况信息;第三获得单元14,所述第三获得单元14用于根据所述第二分析图像集,获得第一驾驶天气信息;第一输入单元15,所述第一输入单元15用于将所述第一实时路况信息和所述第一驾驶天气信息输入复杂度检测模型中,获得第一驾驶复杂度;第四获得单元16,所述第四获得单元16用于根据所述第一驾驶复杂度,获得第一修正参数阈值;第一判断单元17,所述第一判断单元17用于判断所述第一驾驶复杂度是否处于预设驾驶复杂度阈值中;第五获得单元18,所述第五获得单元18用于若所述第一驾驶复杂度是处于所述预设驾驶复杂度阈值中,获得第一预警指令;第六获得单元19,所述第六获得单元19用于根据所述第一预警指令,将所述第一修正参数阈值添加至第一规划避碰参数阈值中,获得第一实时避碰参数阈值,其中,所述第一实时避碰参数阈值用于对所述第一无人驾驶汽车进行碰撞预警。
进一步的,所述系统还包括:
第二判断单元,所述第二判断单元用于判断所述第一安全控制系数是否处于预设安全控制系数阈值中;第七获得单元,所述第七获得单元用于若所述第一安全控制系数不处于所述预设安全控制系数阈值中,获得第一辅助压力调节参数;第八获得单元,所述第八获得单元用于根据所述第一压力调节参数和所述第二压力调节参数,获得第一预压力调节参数;第一生成单元,所述第一生成单元用于根据所述第一辅助压力调节参数对所述第一预压力调节参数进行调整,生成所述第一压力执行参数。
进一步的,所述系统还包括:
第一构建单元,所述第一构建单元用于构建第一路况类别库;
第九获得单元,所述第九获得单元用于基于所述第一路况类别库对所述第一分析图像集进行类别划分,获得多类别分析图像集;第十获得单元,所述第十获得单元用于通过对所述多类别分析图像集中每一类别图像集进行特征分析,获得多类别路况特征;第十一获得单元,所述第十一获得单元用于基于第一特征统计规则对所述多类别路况特征进行统计,获得所述第一实时路况信息。
进一步的,所述系统还包括:
第一操作单元,所述第一操作单元用于将第一颜色识别属性作为所述第一路况类别库的第一属性类别;第二生成单元,所述第二生成单元用于根据第一动态三维物体和第一静态三维物体,生成第一物体维度属性;第二操作单元,所述第二操作单元用于将所述第一物体维度属性作为所述第一路况类别库的第二属性类别;第二构建单元,所述第二构建单元用于根据所述第一属性类别和所述第二属性类别,构建所述第一路况类别库。
进一步的,所述系统还包括:
第三构建单元,所述第三构建单元用于构建第一天气特征库;
第十二获得单元,所述第十二获得单元用于根据所述第一天气特征库对所述第二分析图像集进行天气特征判断,获得第一实时天气特征;第十三获得单元,所述第十三获得单元用于根据所述第一实时天气特征进行可见度分析,获得第一实时可见度;第三判断单元,所述第三判断单元用于判断所述第一实时可见度是否处于预设可见度阈值中;第三操作单元,所述第三操作单元用于若所述第一实时可见度处于所述预设可见度阈值中,将所述第一实时可见度作为所述第一驾驶天气信息。
进一步的,所述系统还包括:
第二输入单元,所述第二输入单元用于将所述第一实时路况信息和所述第一驾驶天气信息作为输入信息构建复杂度检测模型;第十四获得单元,所述第十四获得单元用于通过多组训练数据训练获得所述复杂度检测模型,其中,所述多组训练数据中的每组均包括:所述第一实时路况信息、所述第一驾驶天气信息和标识第一输出结果的标识信息;第十五获得单元,所述第十五获得单元用于获得所述复杂度检测模型的第一输出结果,所述第一输出结果为获得第一驾驶复杂度。
进一步的,所述系统还包括:
第一存储单元,所述第一存储单元用于将所述多组训练数据存储到第一数据调用库;第十六获得单元,所述第十六获得单元用于获得所述第一数据调用库中第一类别数据占比和第二类别数据占比,其中,所述第一类别数据占比为所述第一实时路况信息的数据占比,所述第二类别数据占比为所述第一驾驶天气信息的数据占比;第三生成单元,所述第三生成单元用于基于所述第一类别数据占比和所述第二类别数据占比,生成第一调整占比;第四生成单元,所述第四生成单元用于根据所述第一调整占比,生成第二调整占比;第五生成单元,所述第五生成单元用于根据所述第二调整占比对所述第一驾驶复杂度进行比例分析,生成所述第一修正参数阈值。
进一步的,所述系统还包括:
第十七获得单元,所述第十七获得单元用于获得所述第一实时路况信息的第一复杂等级。
第十八获得单元,所述第十八获得单元用于获得所述第一驾驶天气信息的第二复杂等级;第六生成单元,所述第六生成单元用于基于所述第一复杂等级和所述第二复杂等级,生成第一调整系数;第七生成单元,所述第七生成单元用于根据所述第一调整系数对所述第一调整占比进行修正,生成所述第二调整占比。
前述图1实施例一中的一种基于人工智能的无人驾驶汽车避碰方法的各种变化方式和具体实例同样适用于本实施例的一种基于人工智能的无人驾驶汽车避碰系统,通过前述对一种基于人工智能的无人驾驶汽车避碰方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于人工智能的无人驾驶汽车避碰系统的实施方法,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种基于人工智能的无人驾驶汽车避碰方法的发明构思,本发明还提供一种基于人工智能的无人驾驶汽车避碰系统,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种基于人工智能的无人驾驶汽车避碰方法的任一方法的步骤。
其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明实施例提供的一种基于人工智能的无人驾驶汽车避碰方法,其中,所述方法应用于无人驾驶汽车碰撞预警系统,所述系统与一摄像头通信连接,所述方法包括:获得第一无人驾驶汽车的第一规划驾驶路径;通过第一摄像头对所述第一规划驾驶路径进行图像采集,获得第一分析图像集和第二分析图像集,其中,所述第一分析图像集为实时路况图像集,所述第二分析图像集为实时天气图像集;根据所述第一分析图像集,获得第一实时路况信息;根据所述第二分析图像集,获得第一驾驶天气信息;将所述第一实时路况信息和所述第一驾驶天气信息输入复杂度检测模型中,获得第一驾驶复杂度;根据所述第一驾驶复杂度,获得第一修正参数阈值;判断所述第一驾驶复杂度是否处于预设驾驶复杂度阈值中;若所述第一驾驶复杂度是处于所述预设驾驶复杂度阈值中,获得第一预警指令;根据所述第一预警指令,将所述第一修正参数阈值添加至第一规划避碰参数阈值中,获得第一实时避碰参数阈值,其中,所述第一实时避碰参数阈值用于对所述第一无人驾驶汽车进行碰撞预警。解决了现有技术中存在无人驾驶汽车传感器在复杂环境下干扰较多,预测碰撞的紧急反应阈值欠缺智能化设置的技术问题,达到了通过对路况信息中的复杂环境进行分析,进而对预测碰撞紧急反应阈值进行智能化修正,提高避碰执行有效性的技术效果。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于人工智能的无人驾驶汽车避碰方法,其中,所述方法应用于无人驾驶汽车碰撞预警系统,所述系统与一摄像头通信连接,所述方法包括:
获得第一无人驾驶汽车的第一规划驾驶路径;
通过第一摄像头对所述第一规划驾驶路径进行图像采集,获得第一分析图像集和第二分析图像集,其中,所述第一分析图像集为实时路况图像集,所述第二分析图像集为实时天气图像集;
根据所述第一分析图像集,获得第一实时路况信息;
根据所述第二分析图像集,获得第一驾驶天气信息;
将所述第一实时路况信息和所述第一驾驶天气信息输入复杂度检测模型中,获得第一驾驶复杂度;
根据所述第一驾驶复杂度,获得第一修正参数阈值;
判断所述第一驾驶复杂度是否处于预设驾驶复杂度阈值中;
若所述第一驾驶复杂度是处于所述预设驾驶复杂度阈值中,获得第一预警指令;
根据所述第一预警指令,将所述第一修正参数阈值添加至第一规划避碰参数阈值中,获得第一实时避碰参数阈值,其中,所述第一实时避碰参数阈值用于对所述第一无人驾驶汽车进行碰撞预警。
2.如权利要求1所述的方法,所述根据所述第一分析图像集,获得第一实时路况信息,所述方法还包括:
构建第一路况类别库;
基于所述第一路况类别库对所述第一分析图像集进行类别划分,获得多类别分析图像集;
通过对所述多类别分析图像集中每一类别图像集进行特征分析,获得多类别路况特征;
基于第一特征统计规则对所述多类别路况特征进行统计,获得所述第一实时路况信息。
3.如权利要求2所述的方法,所述构建第一路况类别库,所述方法还包括:
将第一颜色识别属性作为所述第一路况类别库的第一属性类别;
根据第一动态三维物体和第一静态三维物体,生成第一物体维度属性;
将所述第一物体维度属性作为所述第一路况类别库的第二属性类别;
根据所述第一属性类别和所述第二属性类别,构建所述第一路况类别库。
4.如权利要求1所述的方法,所述根据所述第二分析图像集,获得第一驾驶天气信息,所述方法还包括:
构建第一天气特征库;
根据所述第一天气特征库对所述第二分析图像集进行天气特征判断,获得第一实时天气特征;
根据所述第一实时天气特征进行可见度分析,获得第一实时可见度;
判断所述第一实时可见度是否处于预设可见度阈值中;
若所述第一实时可见度处于所述预设可见度阈值中,将所述第一实时可见度作为所述第一驾驶天气信息。
5.如权利要求1所述的方法,所述将所述第一实时路况信息和所述第一驾驶天气信息输入复杂度检测模型中,获得第一驾驶复杂度,所述方法还包括:
将所述第一实时路况信息和所述第一驾驶天气信息作为输入信息构建复杂度检测模型;
通过多组训练数据训练获得所述复杂度检测模型,其中,所述多组训练数据中的每组均包括:所述第一实时路况信息、所述第一驾驶天气信息和标识第一输出结果的标识信息;
获得所述复杂度检测模型的第一输出结果,所述第一输出结果为获得第一驾驶复杂度。
6.如权利要求5所述的方法,所述根据所述第一驾驶复杂度,获得第一修正参数阈值,所述方法还包括:
将所述多组训练数据存储到第一数据调用库;
获得所述第一数据调用库中第一类别数据占比和第二类别数据占比,其中,所述第一类别数据占比为所述第一实时路况信息的数据占比,所述第二类别数据占比为所述第一驾驶天气信息的数据占比;
基于所述第一类别数据占比和所述第二类别数据占比,生成第一调整占比;
根据所述第一调整占比,生成第二调整占比;
根据所述第二调整占比对所述第一驾驶复杂度进行比例分析,生成所述第一修正参数阈值。
7.如权利要求6所述的方法,所述方法还包括:
获得所述第一实时路况信息的第一复杂等级;
获得所述第一驾驶天气信息的第二复杂等级;
基于所述第一复杂等级和所述第二复杂等级,生成第一调整系数;
根据所述第一调整系数对所述第一调整占比进行修正,生成所述第二调整占比。
8.一种基于人工智能的无人驾驶汽车避碰系统,其中,所述系统包括:
第一获得单元,所述第一获得单元用于获得第一无人驾驶汽车的第一规划驾驶路径;
第一采集单元,所述第一采集单元用于过第一摄像头对所述第一规划驾驶路径进行图像采集,获得第一分析图像集和第二分析图像集,其中,所述第一分析图像集为实时路况图像集,所述第二分析图像集为实时天气图像集;
第二获得单元,所述第二获得单元用于根据所述第一分析图像集,获得第一实时路况信息;
第三获得单元,所述第三获得单元用于根据所述第二分析图像集,获得第一驾驶天气信息;
第一输入单元,所述第一输入单元用于将所述第一实时路况信息和所述第一驾驶天气信息输入复杂度检测模型中,获得第一驾驶复杂度;
第四获得单元,所述第四获得单元用于根据所述第一驾驶复杂度,获得第一修正参数阈值;
第一判断单元,所述第一判断单元用于判断所述第一驾驶复杂度是否处于预设驾驶复杂度阈值中;
第五获得单元,所述第五获得单元用于若所述第一驾驶复杂度是处于所述预设驾驶复杂度阈值中,获得第一预警指令;
第六获得单元,所述第六获得单元用于根据所述第一预警指令,将所述第一修正参数阈值添加至第一规划避碰参数阈值中,获得第一实时避碰参数阈值,其中,所述第一实时避碰参数阈值用于对所述第一无人驾驶汽车进行碰撞预警。
9.一种基于人工智能的无人驾驶汽车避碰系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210053626.3A CN114415683A (zh) | 2022-01-18 | 2022-01-18 | 一种基于人工智能的无人驾驶汽车避碰方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210053626.3A CN114415683A (zh) | 2022-01-18 | 2022-01-18 | 一种基于人工智能的无人驾驶汽车避碰方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114415683A true CN114415683A (zh) | 2022-04-29 |
Family
ID=81274096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210053626.3A Pending CN114415683A (zh) | 2022-01-18 | 2022-01-18 | 一种基于人工智能的无人驾驶汽车避碰方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114415683A (zh) |
-
2022
- 2022-01-18 CN CN202210053626.3A patent/CN114415683A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
CN110007675B (zh) | 一种基于行车态势图的车辆自动驾驶决策系统及基于无人机的训练集制备方法 | |
CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
US8160811B2 (en) | Method and system to estimate driving risk based on a hierarchical index of driving | |
CN107972662A (zh) | 一种基于深度学习的车辆前向碰撞预警方法 | |
DE102020127043A1 (de) | Sicherheitssystem für ein fahrzeug | |
CN111094095B (zh) | 自动地感知行驶信号的方法、装置及运载工具 | |
CN110562258A (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
CN113076897B (zh) | 智能网联汽车的博弈动态行驶安全测控方法及调控终端 | |
DE102021124913A1 (de) | Metrik-backpropagation für die beurteilung der leistung von untersystemen | |
US20230365145A1 (en) | Method, system and computer program product for calibrating and validating a driver assistance system (adas) and/or an automated driving system (ads) | |
US11270164B1 (en) | Vehicle neural network | |
DE102023104789A1 (de) | Verfolgung mehrerer objekte | |
CN113743469A (zh) | 一种融合多源数据及综合多维指标的自动驾驶决策方法 | |
Jeong | Predictive lane change decision making using bidirectional long shot-term memory for autonomous driving on highways | |
WO2023023336A1 (en) | Detected object path prediction for vision-based systems | |
CN117387647A (zh) | 融合车载传感器数据与道路传感器数据的道路规划方法 | |
CN117521389A (zh) | 一种基于车路协同感知仿真平台的车辆感知测试方法 | |
CN114787894A (zh) | 感知误差模型 | |
CN117008574A (zh) | 一种智能网联汽车高级辅助驾驶系统和自动驾驶系统测试平台 | |
Kuhnt et al. | Lane-precise localization of intelligent vehicles using the surrounding object constellation | |
US11555928B2 (en) | Three-dimensional object detection with ground removal intelligence | |
CN115451987A (zh) | 一种自动驾驶汽车的路径规划学习方法 | |
CN114415683A (zh) | 一种基于人工智能的无人驾驶汽车避碰方法及系统 | |
CN117242460A (zh) | 不安全驾驶场景的计算机化检测 |
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 |