CN114435401B - 空位识别方法、车辆及可读存储介质 - Google Patents
空位识别方法、车辆及可读存储介质 Download PDFInfo
- Publication number
- CN114435401B CN114435401B CN202210123082.3A CN202210123082A CN114435401B CN 114435401 B CN114435401 B CN 114435401B CN 202210123082 A CN202210123082 A CN 202210123082A CN 114435401 B CN114435401 B CN 114435401B
- Authority
- CN
- China
- Prior art keywords
- vacancy
- probability
- vehicle
- potential
- lane
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000000007 visual effect Effects 0.000 claims description 8
- 239000011800 void material Substances 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 241000282414 Homo sapiens Species 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- B60W40/04—Traffic conditions
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种空位识别方法，应用于车辆，包括：获取车辆周围的交通事件；根据交通事件的发生概率与存在空位的概率之间的依赖关系建立贝叶斯网络；根据交通事件和贝叶斯网络计算车辆周围存在空位的概率；若存在空位的概率大于预设阈值，则判断存在空位。本申请基于贝叶斯网络建立不同交通事件发生概率之间的依赖关系，输出车辆的传感器视野不可及的范围内存在可利用空间的概率，提高自动驾驶时识别空位的准确度。
Description
技术领域
本发明涉及自动驾驶技术领域，尤其涉及一种空位识别方法、车辆及可读存储介质。
背景技术
自动驾驶车辆在行驶过程中，依赖各种传感器来感知周围的环境，传感器的感知能力一方面依赖于自身固有的属性(视野范围/视野角度/感知算法识别能力)，另一方面又取决于障碍物(车/人等)与自车的相对位置关系：比如在道路前方空旷的情况下，自车能看到前方100内的所有物体，但当自车前方近处有一个障碍车时，则只能看到该障碍车，远处更多的障碍车被该障碍车遮挡了，自车无法“看到”。自动驾驶车辆根据感知到的信息，规划行驶路径，执行变道/借道等驾驶任务。比如，处于自动驾驶状态的自车，感知到前方慢速或静止车辆，并识别到远处有空挡，便尝试借道超车。然而经由传感器感知到的环境信息，与真实世界并不一致，自动驾驶车辆由此做出错误的判断，规划出不符合人类驾驶经验的路径。如图1所示，自车看到前方障碍车A，但传感器没看到障碍车B/C(但人眼可以看到)，认为A后方存在空位可以供借道超车插入，但人类因为看到了B/C不会借道超车，所以自动驾驶车辆规划出的路径不符合人类预期。
发明内容
有鉴于此，本发明提供了一种空位识别方法、车辆及可读存储介质，能提高自动驾驶时识别空位的准确度。
本申请提供了一种空位识别方法，应用于车辆，包括：
获取车辆周围的交通事件；
根据所述交通事件的发生概率与存在空位的概率之间的依赖关系建立贝叶斯网络；
根据所述交通事件和所述贝叶斯网络计算车辆周围存在空位的概率；
若存在空位的概率大于预设阈值，则判断存在空位。
可选地，所述交通事件包括感知类事件、行为类事件和交通流类事件中至少一项；
所述感知类事件，包括：
障碍车信息；
潜在空位的面积在视野范围内的比例；
所述行为类事件，包括：
障碍车沿着潜在空位所在车道行驶；
连续的障碍车队列沿着潜在空位所在车道行驶；
所述交通流事件，包括：
潜在空位所在车道的通畅概率；
潜在空位所在车道的相邻同方向车道的通畅概率。
可选地，获取所述潜在空位的面积在视野范围内的比例的步骤，包括：
根据车辆所在位置、传感器安装位置及其可视范围、障碍车位置得到潜在空位的面积在视野范围内的比例。
可选地，判断所述障碍车沿着潜在空位所在车道行驶的步骤，包括：
根据障碍车历史轨迹与潜在空位所在车道参考线的相关性，得到所述障碍车的未来行驶轨迹在潜在空位所在车道的概率。
可选地，获取所述潜在空位所在车道的通畅概率的步骤，包括：
根据潜在空位所在车道的车速、车辆数目和道路长度，计算潜在空位所在车道的畅通概率。
可选地，根据所述交通事件的发生概率与存在空位的概率之间的依赖关系建立贝叶斯网络，包括：
建立所述交通事件之间的依赖关系；
确定所述交通事件之间的联合概率，以建立贝叶斯网络。
可选地，所述建立所述交通事件之间的依赖关系，包括：
根据贝叶斯网络的结构学习方法建立交通事件之间的依赖关系。
可选地，所述确定所述交通事件之间的联合概率，包括：
根据先验分布模型对所述交通事件的联合概率分布进行参数学习，得到交通事件之间的联合概率。
本申请还提供一种车辆，包括：存储器、处理器，其中，存储器上存储有空位识别程序，空位识别程序被处理器执行时实现如上所述的空位识别方法的步骤。
本申请还提供一种计算机存储介质，计算机存储介质上存储有计算机程序指令；计算机程序指令被处理器执行时实现如上所述的空位识别方法。
综上所述，本发明提供的空位识别方法，应用于车辆，包括：获取车辆周围的交通事件；根据交通事件的发生概率与存在空位的概率之间的依赖关系建立贝叶斯网络；根据交通事件和贝叶斯网络计算车辆周围存在空位的概率；若存在空位的概率大于预设阈值，则判断存在空位。本申请基于贝叶斯网络建立不同交通事件发生概率之间的依赖关系，输出车辆的传感器视野不可及的范围内存在可利用空间的概率，提高自动驾驶时识别空位的准确度。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
图1为根据现有技术中自动驾驶车辆感知空位的示意图；
图2为根据本发明实施例示出的空位识别方法的流程示意图；
图3为根据本发明实施例示出的判断障碍车行驶轨迹的示意图；
图4为根据本发明实施例示出的贝叶斯网络的结构示意图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对本发明详细说明如下。
第一实施例
如图2所示，本发明实施例提供了一种空位识别方法，应用于如第一实施例所示的空位识别方法，包括：
步骤201，获取车辆周围的交通事件。
可选地，交通事件包括感知类事件、行为类事件和交通流类事件中至少一项；
感知类事件，包括：
障碍车信息；
潜在空位的面积在视野范围内的比例；
行为类事件，包括：
障碍车沿着潜在空位所在车道行驶；
连续的障碍车队列沿着潜在空位所在车道行驶；
交通流事件，包括：
潜在空位所在车道的通畅概率；
潜在空位所在车道的相邻同方向车道的通畅概率。
其中，感知类事件包括障碍车信息，可根据自动驾驶车辆的各类传感器(摄像头、雷达等)探测到的障碍车信息，如障碍车数量、障碍车位置等。并可根据障碍车信息进一步得到潜在空位的面积在视野范围内的比例。具体地，首先根据摄像头的图像信息，基于深度学习识别出可行使区域和不可行驶区域。由于障碍车遮挡，不可行驶区域中可能存在潜在空位，可根据自动驾驶车辆所在位置、传感器安装位置及其可视范围、障碍车位置得到潜在空位的面积在视野范围内的比例。
其中，行为类事件，包括：障碍车沿着潜在空位所在车道行驶；以及连续的障碍车队列沿着潜在空位所在车道行驶。判断障碍车沿着潜在空位所在车道行驶的步骤，包括：根据障碍车历史轨迹与潜在空位所在车道参考线的相关性，得到障碍车的未来行驶轨迹在潜在空位所在车道的概率。如图3所示，通过车辆的历史轨迹判断车辆与车道参考线的相关性，即通过车辆的历史轨迹评判车辆去左车道和右车道的概率。通过数值分析评估障碍车历史轨迹在xyt三维空间内的与空位所在车道参考线的相关性，得到障碍车沿着潜在空位所在车道行驶的概率。相似地，当探测到连续的障碍车队列时，则根据上述相似方法分别计算得到各辆障碍车沿着潜在空位所在车道行驶的概率，进而得到连续的障碍车队列沿着潜在空位所在车道行驶的概率。
其中，交通流事件，包括：潜在空位所在车道的通畅概率；潜在空位所在车道的相邻同方向车道的通畅概率。具体地，交通流特性图用来宏观描述交通流的状况统计图，其中包括车道占用率(每公里多少车)，车流量(每小时通行多少车)等数据。根据潜在空位所在车道的交通流特性图可得到当前道路的车速、车辆数目和道路长度等数据，进而计算出潜在空位所在车道的畅通概率。相似地，可根据上述方法计算出潜在空位所在车道的相邻同方向车道的通畅概率。上述交通流事件可用于比较判断潜在空位所在车道是否比相邻车道更通畅，根据比较结果评估潜在空位存在的概率。若潜在空位所在车道比相邻车道更通畅，在潜在空位存在的概率更大。
步骤202，根据交通事件的发生概率与存在空位的概率之间的依赖关系建立贝叶斯网络。
如图4所示，对于自动驾驶车辆的传感器无法直接探测到的空位，通过障碍车间距计算所得的空间可视为潜在空位，通过各类交通事件如感知类事件、行为类事件和交通流类事件的联合概率估计该潜在空位存在的概率。
可选地，根据交通事件的发生概率与存在空位的概率之间的依赖关系建立贝叶斯网络，包括：
建立交通事件之间的依赖关系；
确定交通事件之间的联合概率，以建立贝叶斯网络。
其中，可根据贝叶斯网络的结构学习方法建立交通事件之间的依赖关系，也可基于交通经验建立各交通事件之间的依赖关系。
其中，通过机器学习的方式测试迭代标定事件联合概率分布中的参数。由数据集驱动的方式来标定，根据训练数据来获得各交通事件之间的联合概率。具体地，根据先验分布模型对交通事件的联合概率分布进行参数学习，得到交通事件之间的联合概率。
具体地，本发明中所依赖的贝叶斯网络中的每个节点的交通事件按如上定义，不同交通事件之间依赖关系的建立以及每个事件的联合概率分布中的参数则通过机器学习方式获得。对于事件的依赖关系的学习，使用贝叶斯网络结构学习的方法。输入的每一组数据包含了某一特定场景下所有定义的交通事件的发生情况，依赖关系的学习即是进行一个最大似然估计，找到某一种网络结构(事件间的联系方式)使得给定的训练数据集发生的概率最高。对于每个事件联合概率分布的学习，给定特定的网络结构和训练数据集，选择合适的先验分布(β分布、多项分布、正态分布、泊松分布)，学习对应分布的参数。经过贝叶斯网络的结构学习和参数学习，即获得了完整的网络信息。
步骤203，根据交通事件和贝叶斯网络计算车辆周围存在空位的概率。
步骤204，若存在空位的概率大于预设阈值，则判断存在空位。
其中，若潜在空位的概率大于阈值，识别为自动驾驶车辆可利用的空位。本发明技术方案会基于空位附近障碍车的历史轨迹(位置/速度)和传感器感知能力(感知距离/可视范围)估计潜在空位存在的概率，使得自动驾驶车辆变道或借道决策更符合人类预期，减少误触发次数。
本发明中将障碍车间计算所得的空间视为潜在的空位，估计该潜在空位存在的概率，计算过程中结合了自车传感器固有的感知能力和环境中障碍车的历史轨迹信息。即若自动驾驶车辆有能力看到潜在空位，则部分相信传感器信息；若传感器没能力看到潜在空位，则部分相信环境障碍车的选择：认为障碍车会基于其观测到环境，做出最优的决策并规划处相应的路径。
本发明实施例的空位识别方法，应用于车辆，包括：获取车辆周围的交通事件；根据交通事件的发生概率与存在空位的概率之间的依赖关系建立贝叶斯网络；根据交通事件和贝叶斯网络计算车辆周围存在空位的概率；若存在空位的概率大于预设阈值，则判断存在空位。本申请基于贝叶斯网络建立不同交通事件发生概率之间的依赖关系，输出车辆的传感器视野不可及的范围内存在可利用空间的概率，提高自动驾驶时识别空位的准确度。
本实施例执行上述方法步骤的具体过程，详见上述实施例的相关描述，在此不再赘述。
本申请还提供一种车辆，包括：存储器、处理器，其中，存储器上存储有空位识别程序，空位识别程序被处理器执行时实现如上所述的空位识别方法的步骤。
本发明实施例还提供一种可读存储介质，可读存储介质上存储有计算机程序指令；计算机程序指令被处理器执行时实现如上所述的空位识别方法。
本实施例执行上述方法步骤的具体过程，详见上述实施例的相关描述，在此不再赘述。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
在本文中，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，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种空位识别方法，应用于车辆，其特征在于，包括：
获取车辆周围的交通事件；
根据所述交通事件的发生概率与存在空位的概率之间的依赖关系建立贝叶斯网络；
根据所述交通事件和所述贝叶斯网络计算车辆周围存在空位的概率，所述空位指可以供借道超车插入的位置；
若存在空位的概率大于预设阈值，则判断存在空位；
所述交通事件包括感知类事件、行为类事件和交通流类事件；
所述感知类事件，包括：
障碍车信息；
潜在空位的面积在视野范围内的比例；
所述行为类事件，包括：
障碍车沿着潜在空位所在车道行驶；
连续的障碍车队列沿着潜在空位所在车道行驶；
所述交通流类事件，包括：
潜在空位所在车道的通畅概率；
潜在空位所在车道的相邻同方向车道的通畅概率。
2.根据权利要求1所述的空位识别方法，其特征在于，获取所述潜在空位的面积在视野范围内的比例的步骤，包括：
根据车辆所在位置、传感器安装位置及其可视范围、障碍车位置得到潜在空位的面积在视野范围内的比例。
3.根据权利要求1所述的空位识别方法，其特征在于，判断所述障碍车沿着潜在空位所在车道行驶的步骤，包括：
根据障碍车历史轨迹与潜在空位所在车道参考线的相关性，得到所述障碍车的未来行驶轨迹在潜在空位所在车道的概率。
4.根据权利要求1所述的空位识别方法，其特征在于，获取所述潜在空位所在车道的通畅概率的步骤，包括：
根据潜在空位所在车道的车速、车辆数目和道路长度，计算潜在空位所在车道的畅通概率。
5.根据权利要求1所述的空位识别方法，其特征在于，根据所述交通事件的发生概率与存在空位的概率之间的依赖关系建立贝叶斯网络，包括：
建立所述交通事件之间的依赖关系；
确定所述交通事件之间的联合概率，以建立贝叶斯网络。
6.根据权利要求5所述的空位识别方法，其特征在于，所述建立所述交通事件之间的依赖关系，包括：
根据贝叶斯网络的结构学习方法建立交通事件之间的依赖关系。
7.根据权利要求5所述的空位识别方法，其特征在于，所述确定所述交通事件之间的联合概率，包括：
根据先验分布模型对所述交通事件的联合概率分布进行参数学习，得到交通事件之间的联合概率。
8.一种车辆，其特征在于，所述车辆包括：存储器、处理器，其中，所述存储器上存储有空位识别程序，所述空位识别程序被所述处理器执行时实现如权利要求1至7中任一项所述的空位识别方法的步骤。
9.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序指令；所述可读存储介质被处理器执行时实现如权利要求1-7中的任一项所述的空位识别方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210123082.3A CN114435401B (zh) | 2022-02-09 | 2022-02-09 | 空位识别方法、车辆及可读存储介质 |
| PCT/CN2023/074169 WO2023151499A1 (zh) | 2022-02-09 | 2023-02-01 | 空位识别方法、车辆及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210123082.3A CN114435401B (zh) | 2022-02-09 | 2022-02-09 | 空位识别方法、车辆及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114435401A CN114435401A (zh) | 2022-05-06 |
| CN114435401B true CN114435401B (zh) | 2023-10-27 |
Family
ID=81372504
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210123082.3A Active CN114435401B (zh) | 2022-02-09 | 2022-02-09 | 空位识别方法、车辆及可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114435401B (zh) |
| WO (1) | WO2023151499A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114435401B (zh) * | 2022-02-09 | 2023-10-27 | 武汉路特斯汽车有限公司 | 空位识别方法、车辆及可读存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111328411A (zh) * | 2018-09-28 | 2020-06-23 | 百度时代网络技术（北京）有限公司 | 用于自动驾驶车辆的行人概率预测系统 |
| KR20200072597A (ko) * | 2018-12-06 | 2020-06-23 | 현대자동차주식회사 | 자율 발렛 주차를 지원하는 시스템 및 방법, 그리고 이를 위한 인프라 및 차량 |
| CN113071520A (zh) * | 2021-04-16 | 2021-07-06 | 阿波罗智联(北京)科技有限公司 | 车辆行驶控制方法及装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108275158B (zh) * | 2017-01-05 | 2020-09-15 | 大唐高鸿信息通信(义乌)有限公司 | 车载短距离通信网的驾驶行为评测方法 |
| US10553117B1 (en) * | 2018-11-06 | 2020-02-04 | Toyota Motor Engineering & Manufacturing North America, Inc. | System and method for determining lane occupancy of surrounding vehicles |
| US20200216073A1 (en) * | 2019-01-04 | 2020-07-09 | Toyota Motor Engineering & Manufacturing North America, Inc. | System, method, and computer-readable storage medium for overtaking a preceding vehicle |
| DE102019107411A1 (de) * | 2019-03-22 | 2020-09-24 | Zf Active Safety Gmbh | Steuerungssystem und Steuerungsverfahren zur Pfadzuordnung von Verkehrsobjekten |
| CN112009470B (zh) * | 2020-09-08 | 2022-01-14 | 科大讯飞股份有限公司 | 车辆行驶控制方法、装置、设备及存储介质 |
| CN113232674A (zh) * | 2021-05-28 | 2021-08-10 | 南京航空航天大学 | 基于决策树和贝叶斯网络的车辆控制方法和装置 |
| CN114435401B (zh) * | 2022-02-09 | 2023-10-27 | 武汉路特斯汽车有限公司 | 空位识别方法、车辆及可读存储介质 |
-
2022
- 2022-02-09 CN CN202210123082.3A patent/CN114435401B/zh active Active
-
2023
- 2023-02-01 WO PCT/CN2023/074169 patent/WO2023151499A1/zh unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111328411A (zh) * | 2018-09-28 | 2020-06-23 | 百度时代网络技术（北京）有限公司 | 用于自动驾驶车辆的行人概率预测系统 |
| KR20200072597A (ko) * | 2018-12-06 | 2020-06-23 | 현대자동차주식회사 | 자율 발렛 주차를 지원하는 시스템 및 방법, 그리고 이를 위한 인프라 및 차량 |
| CN113071520A (zh) * | 2021-04-16 | 2021-07-06 | 阿波罗智联(北京)科技有限公司 | 车辆行驶控制方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114435401A (zh) | 2022-05-06 |
| WO2023151499A1 (zh) | 2023-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11353553B2 (en) | Multisensor data fusion method and apparatus to obtain static and dynamic environment features | |
| EP2486555B1 (en) | Collision avoidance system and method and respective computer program product | |
| EP2826687B1 (en) | Technique for lane assignment in a vehicle | |
| EP3032454B1 (en) | Method and system for adaptive ray based scene analysis of semantic traffic spaces and vehicle equipped with such system | |
| CN110214106B (zh) | 可操作用于确定车道的一部分的位置的装置 | |
| CN113844451B (zh) | 行驶设备控制方法、装置、电子设备及存储介质 | |
| US11745764B2 (en) | Method and system for operating an autonomous agent with incomplete environmental information | |
| US20180203446A1 (en) | Object tracking by unsupervised learning | |
| CN108960083B (zh) | 基于多传感器信息融合的自动驾驶目标分类方法及系统 | |
| US11834077B2 (en) | Systems, methods, and media for occlusion-aware motion planning | |
| US20220237889A1 (en) | Analysis of dynamic spatial scenarios | |
| CN113008296B (zh) | 用于通过在点云平面上融合传感器数据来检测汽车环境的方法和汽车控制单元 | |
| CN114435401B (zh) | 空位识别方法、车辆及可读存储介质 | |
| CN115618932A (zh) | 基于网联自动驾驶的交通事件预测方法、装置及电子设备 | |
| CN117184060A (zh) | 轨迹修正方法和装置、无人车和存储介质 | |
| CN115366885A (zh) | 用于辅助机动车的驾驶操作的方法、辅助装置及机动车 | |
| CN111881245B (zh) | 能见度动态地图的产生方法、装置、设备及存储介质 | |
| CN115516276A (zh) | 路段评估方法 | |
| US11897501B2 (en) | ADS perception development | |
| EP3392730B1 (en) | Device for enabling a vehicle to automatically resume moving | |
| Rezaei et al. | Multisensor data fusion strategies for advanced driver assistance systems | |
| CN112989909A (zh) | 用于地图增强的道路属性检测和分类 | |
| CN111326002A (zh) | 一种自动驾驶汽车环境感知的预测方法、装置及系统 | |
| US20240166204A1 (en) | Vehicle Collision Threat Assessment | |
| WO2024009756A1 (ja) | 物体識別装置及び物体識別方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231210 Address after: Room A101, Building I, No. 7 Zhongchuang Second Road, Hangzhou Bay New Area, Ningbo City, Zhejiang Province, 315335 Patentee after: Ningbo Lutes Robotics Co.,Ltd. Address before: 430056 A404, building 3, 28 chuanjiangchi 2nd Road, Wuhan Economic and Technological Development Zone, Wuhan City, Hubei Province Patentee before: Wuhan lutes Automobile Co.,Ltd. |
|
| TR01 | Transfer of patent right |