CN114627454B - 一种驾驶员举升意图感知方法、装置、设备及介质 - Google Patents
一种驾驶员举升意图感知方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114627454B CN114627454B CN202210271106.XA CN202210271106A CN114627454B CN 114627454 B CN114627454 B CN 114627454B CN 202210271106 A CN202210271106 A CN 202210271106A CN 114627454 B CN114627454 B CN 114627454B
- Authority
- CN
- China
- Prior art keywords
- driver
- information
- lifting
- intention
- action
- 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 41
- 230000009471 action Effects 0.000 claims abstract description 68
- 230000006399 behavior Effects 0.000 claims description 58
- 210000003128 head Anatomy 0.000 claims description 16
- 230000008447 perception Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Abstract
本发明公开了一种驾驶员举升意图感知方法、装置、设备及介质。该方法:包括获取历史驾驶员行为信息;根据所述历史驾驶员行为信息建立行为概率模型;将当前驾驶员行为信息输入至所述行为概率模型生成驾驶员动作意图;获取历史作业场景信息;根据所述历史作业场景信息建立作业场景概率模型;将当前作业场景信息输入至所述作业场景概率模型确定预测举升高度;然后将所述举升高度和所述驾驶员动作意图融合生成驾驶员举升高度意图。如此实现了根据驾驶员动作意图和预测举升高度进行相应的举升动作,使得举升动作消耗的时间较少,大大缓解了驾驶员的疲劳感。
Description
技术领域
本发明实施例涉及吊车技术,尤其涉及一种驾驶员举升意图感知方法、装置、计算机设备及介质。
背景技术
在正面吊作业时,驾驶员会首先举升吊具到高于集装箱的位置,再进行对箱操作。整个作业过程主要包括行驶、举升、对箱、放箱四个动作,其中举升的过程中,一般地,需要驾驶员一直拉动手柄,在此过程中驾驶员人为判断是否到达举升的高度,直到驾驶员判断到达举升的高度时,驾驶员才松开手柄,这样举升动作消耗的时间是比较多的,易造成驾驶员的疲劳。
发明内容
本发明提供一种驾驶员举升意图感知方法、装置、计算机设备及介质,实现了根据驾驶员动作意图和作业场景信息进行相应的举升动作,使得举升动作消耗的时间较少,大大缓解了驾驶员的疲劳感。
第一方面,本发明实施例提供了一种驾驶员举升意图感知方法,该驾驶员举升意图感知方法包括:
获取历史驾驶员行为信息;
根据所述历史驾驶员行为信息建立行为概率模型;
将当前驾驶员行为信息输入至所述行为概率模型生成驾驶员动作意图;
获取历史作业场景信息;
根据所述历史作业场景信息建立作业场景概率模型;
将当前作业场景信息输入至所述作业场景概率模型确定预测举升高度;
将所述预测举升高度和所述驾驶员动作意图融合生成驾驶员举升高度意图。
可选的,所述历史驾驶员行为信息包括驾驶员操纵手柄开度动作信息、驾驶员头部上抬动作信息、驾驶员眼睛上望动作信息和驾驶员脚步伸展角度动作信息。
可选的,所述历史作业场景信息包括集装箱高度信息N和集装箱距离车辆信息M。
可选的,所述行为概率模型包括P(lift|hand,head,eye,foot)=F(Phand,Phead,Peye,Pfoot);
其中,Phand为所述驾驶员操纵手柄开度动作信息的概率;Phead为所述驾驶员头部上抬动作信息的概率;Peye为所述驾驶员眼睛上望动作信息的概率;Pfoot为所述驾驶员脚步伸展角度动作信息的概率;F为通过卷积神经网络得到的网络权重。
可选的,将当前作业场景信息输入至所述作业场景概率模型确定预测举升高度,包括:
将当前作业场景信息输入至所述作业场景概率模型确定举升高度值;
基于所述卡尔曼滤波,修正所述举升高度值得到预测举升高度。
可选的,所述作业场景概率模型包括:P(Hi|CN,CM)=G(PCN,PCM);其中,i=1、2、3、...、N;
其中,PCN为所述集装箱高度信息为N的概率;PCM为所述集装箱距离信息为M的概率;G为通过卷积神经网络得到的网络权重;Hi表示举升高度值为i。
可选的,基于所述卡尔曼滤波,修正所述举升高度值得到预测举升高度,具体为:
Hest=M*tanα;
Hact=(1-K)Hest+KHi;
其中,Hest为举升高度估计值;M为所述集装箱距离车辆信息;α为驾驶员视线角度;Hi为所述举升高度值;K为卡尔曼增益系数;Hact为预测举升高度。
第二方面,本发明实施例还提供了一种驾驶员举升意图感知装置,该驾驶员举升意图感知装置包括:
行为信息获取模块,用于获取历史驾驶员行为信息;
行为概率模型建立模块,用于根据所述历史驾驶员行为信息建立行为概率模型;
动作意图生成模块,用于将当前驾驶员行为信息输入至所述行为概率模型生成驾驶员动作意图;
作业场景信息获取模块,用于获取历史作业场景信息;
作业场景信息获取模块,用于根据所述历史作业场景信息建立作业场景概率模型;
预测举升高度确定模块,用于将当前作业场景信息输入至所述作业场景概率模型确定预测举升高度;
举升意图生成模块,用于将所述举升高度和所述驾驶员动作意图融合生成驾驶员举升高度意图。
第三方面,本发明实施例还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
摄像头或雷达,用于采集驾驶员行为信息;
高度传感器,用于采集作业场景信息;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现所述的驾驶员举升意图感知方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一方面所述的驾驶员举升意图感知方法。
本发明实施例,通过获取历史驾驶员行为信息;根据历史驾驶员行为信息建立行为概率模型;将当前驾驶员行为信息输入至行为概率模型生成驾驶员动作意图;获取历史作业场景信息;根据历史作业场景信息建立作业场景概率模型;将当前作业场景信息输入至作业场景概率模型确定预测举升高度;然后将举升高度和所述驾驶员动作意图融合生成驾驶员举升高度意图,如此实现了根据驾驶员动作意图和作业场景信息进行智能控制举升动作,只需识别驾驶员动作意图,还使得举升动作消耗的时间较少,大大缓解了驾驶员的疲劳感。解决了现有技术中驾驶员一直手握手柄,驾驶员人为判断是否到达举升的高度,直到驾驶员判断到达举升的高度时,驾驶员才松开手柄,这样举升动作消耗的时间较多,举升动作易造成驾驶员的疲劳问题。
附图说明
图1是本发明实施例提供的一种驾驶员举升意图感知方法的流程图;
图2是本发明实施例提供的一种驾驶员举升意图感知装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
图1是本发明实施例提供的一种驾驶员举升意图感知方法的流程图,本实施例可适用于驾驶员举升高度情况,该方法可以由驾驶员举升意图感知装置来执行,如图1所示,具体包括如下步骤:
S110、获取历史驾驶员行为信息。
其中,本实施例中历史驾驶员行为信息包括驾驶员操纵手柄开度动作信息、驾驶员头部上抬动作信息、驾驶员眼睛上望动作信息和驾驶员脚步伸展角度动作信息。可以通过摄像头或者激光雷达获取到历史驾驶员行为信息。
S120、根据历史驾驶员行为信息建立行为概率模型。
其中,可以通过神经网络生成行为概率模型,神经网络由卷积层及全连接层组成;卷积层用于提取驾驶员行为信息中与驾驶员动作意图相关的特征,示例性的,ci=conv(Ai,K)+a,ci为卷积层输出,conv为卷积运算,Ai为样本输入,Ai可以为历史驾驶员行为信息,K为卷积核,a为偏置;全连接层则输出模型结果(z=f(∑iωiBi+b),其中z为行为概率模型输出,f为激活函数,ωi为网络权重,b为偏置,Bi为Ai经过网络计算后到达全连接层的输入。
S130、将当前驾驶员行为信息输入至行为概率模型生成驾驶员动作意图。
示例的,本实施例行为概率模型z为P(lift|hand,head,eye,foot)=F(Phand,Phead,Peye,Pfoot);这里,Phand为驾驶员操纵手柄开度动作信息的概率;Phead为驾驶员头部上抬动作信息的概率;Peye为驾驶员眼睛上望动作信息的概率;Pfoot为驾驶员脚步伸展角度动作信息的概率;F为上述神经网络得到的网络权重;将当前驾驶员行为信息输入至行为概率模型可以得到驾驶员动作意图P,即当前驾驶员行为信息输入至行为概率模型可以得到驾驶员是否举升的动作意图。
S140、获取历史作业场景信息。
其中,历史作业场景信息可以通过摄像头或者激光雷达获取。历史作业场景信息包括集装箱高度信息N和集装箱距离车辆信息M;集装箱高度信息N可以包括集装箱高度为i层箱信息;i=1、2、...、N。
S150、根据历史作业场景信息建立作业场景概率模型。
其中,作业场景概率模型也可以通过神经网络生成,神经网络包括由卷积层及全连接层组成;卷积层用于提取历史作业场景信息中与预测举升高度相关的特征,示例性的,ci=conv(Ai,K)+a,ci为卷积层输出,conv为卷积运算,Ai为输入,Ai可以为历史驾驶员行为信息,K为卷积核,a为偏置;全连接层则输出模型结果(z=f(∑iωiAi+b),其中z为作业场景概率模型输出,f为激活函数,ωi为权重,b为偏置。
S160、将当前作业场景信息输入至作业场景概率模型确定预测举升高度。
示例的,作业场景概率模型z为:P(Hi|CN,CM)=G(PCN,PCM);其中,i=1、2、3、...、N;其中,PCN为集装箱高度信息为N的概率;PCM为集装箱距离信息为M的概率;G为通过上述神经网络得到的网络权重;Hi表示举升高度值为i。将当前作业场景信息输入至作业场景概率模型确定举升高度值Hi;然后基于卡尔曼滤波,修正举升高度值得到预测举升高度。
可选的,基于卡尔曼滤波,修正举升高度值得到预测举升高度,具体为:
Hest=M*tanα;
Hact=(1-K)Hest+KHi;
其中,Hest为举升高度估计值;M为所述集装箱距离车辆信息;α为驾驶员视线角度;Hi为所述举升高度值;K为卡尔曼增益系数;Hact为预测举升高度。
S170、将预测举升高度和驾驶员动作意图融合生成驾驶员举升高度意图。
其中,将预测举升高度和驾驶员动作意图通过多层残差卷积神经网络融合生成驾驶员举升高度意图。多层残差神经网络是在上述神经网络中增加残差网络层并进行新的训练;具体的,驾驶员动作意图和预测举升高度作为输入,通过训练好的多层残差神经网络输出驾驶员举升高度意图。如此实现了根据驾驶员动作意图和作业场景信息进行智能控制举升动作,只需识别驾驶员动作意图,还使得举升动作消耗的时间较少,大大缓解了驾驶员的疲劳感。解决了现有技术中驾驶员一直手握手柄,驾驶员人为判断是否到达举升的高度,直到驾驶员判断到达举升的高度时,驾驶员才松开手柄,这样举升动作消耗的时间较多,举升动作易造成驾驶员的疲劳问题。
本发明实施例还提供了一种驾驶员举升意图感知装置,本发明实施例所提供的驾驶员举升意图感知装置可执行本发明任意实施例所提供的驾驶员举升意图感知方法,具备执行方法相应的功能模块和有益效果。图2是本发明实施例提供的一种驾驶员举升意图感知装置的结构示意图;如图2所示,该驾驶员举升意图感知装置包括:
行为信息获取模块10,用于获取历史驾驶员行为信息;
行为概率模型建立模块20,用于根据历史驾驶员行为信息建立行为概率模型;
动作意图生成模块30,用于将当前驾驶员行为信息输入至行为概率模型生成驾驶员动作意图;
作业场景信息获取模块40,用于获取历史作业场景信息;
作业场景概率模型建立模块50,用于根据历史作业场景信息建立作业场景概率模型;
预测举升高度确定模块60,用于将当前作业场景信息输入至作业场景概率模型确定预测举升高度;
举升高度意图生成模块70,用于将举升高度和驾驶员动作意图融合生成驾驶员举升高度意图。
本发明实施例还提供了一种驾驶员举升意图感知设备,该设备包括处理器、存储器、摄像头或雷达;摄像头或雷达;摄像头或雷达,用于采集驾驶员行为信息和采集作业场景信息;存储器作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的驾驶员举升意图感知方法对应的程序指令/模块(例如,驾驶员举升意图感知装置中的行为信息获取模块10、行为概率模型建立模块20、动作意图生成模块30、作业场景信息获取模块40、作业场景概率模型建立模块50、预测举升高度确定模块60及举升意图生成模块70)。处理器通过运行存储在存储器中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的驾驶员举升意图感知方法。
存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至设备上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种驾驶员举升意图感知方法,该方法包括:
获取历史驾驶员行为信息;
根据所述历史驾驶员行为信息建立行为概率模型;
将当前驾驶员行为信息输入至所述行为概率模型生成驾驶员动作意图;
获取历史作业场景信息;
根据所述历史作业场景信息建立作业场景概率模型;
将当前作业场景信息输入至所述作业场景概率模型确定预测举升高度;
将所述预测举升高度和所述驾驶员动作意图融合生成驾驶员举升高度意图。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的驾驶员举升意图感知方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明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计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述搜索装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种驾驶员举升意图感知方法,应用于吊车过程中,其特征在于,包括:
获取历史驾驶员行为信息;其中,所述历史驾驶员行为信息包括驾驶员操纵手柄开度动作信息、驾驶员头部上抬动作信息、驾驶员眼睛上望动作信息和驾驶员脚步伸展角度动作信息;
根据所述历史驾驶员行为信息建立行为概率模型;
将当前驾驶员行为信息输入至所述行为概率模型生成驾驶员动作意图;
获取历史作业场景信息;其中,所述历史作业场景信息包括集装箱高度信息N和集装箱距离车辆信息M;
根据所述历史作业场景信息建立作业场景概率模型;
将当前作业场景信息输入至所述作业场景概率模型确定预测举升高度;
将所述预测举升高度和所述驾驶员动作意图融合生成驾驶员举升高度意图。
2.根据权利要求1所述的驾驶员举升意图感知方法,其特征在于,所述行为概率模型包括P(lift|hang,head,eye,foot)=F(Phand,Phead,Peye,Pfoot);
其中,Phand为所述驾驶员操纵手柄开度动作信息的概率;Phead为所述驾驶员头部上抬动作信息的概率;Peye为所述驾驶员眼睛上望动作信息的概率;Pfoot为所述驾驶员脚步伸展角度动作信息的概率;F为通过卷积神经网络得到的网络权重。
3.根据权利要求1所述的驾驶员举升意图感知方法,其特征在于,将当前作业场景信息输入至所述作业场景概率模型确定预测举升高度,包括:
将当前作业场景信息输入至所述作业场景概率模型确定举升高度值;
基于卡尔曼滤波,修正所述举升高度值得到预测举升高度。
4.根据权利要求3所述的驾驶员举升意图感知方法,其特征在于,所述作业场景概率模型包括:
P(Hi|CN,CM)=G(PCN,PCM);其中,i=1、2、3、…、N;
其中,PCN为所述集装箱高度信息为N的概率;PCM为所述集装箱距离信息为M的概率;G为通过卷积神经网络得到的网络权重;Hi表示举升高度值。
5.根据权利要求4所述的驾驶员举升意图感知方法,其特征在于,基于所述卡尔曼滤波,修正所述举升高度值得到预测举升高度,具体为:
Hest=M*tanα;
Hact=(1-K)Hest+KHi;
其中,Hest为举升高度估计值;M为所述集装箱距离车辆信息;α为驾驶员视线角度;Hi为所述举升高度值;K为卡尔曼增益系数;Hact为预测举升高度。
6.一种驾驶员举升意图感知装置,应用于吊车过程中,其特征在于,包括:
行为信息获取模块,用于获取历史驾驶员行为信息;其中,所述历史驾驶员行为信息包括驾驶员操纵手柄开度动作信息、驾驶员头部上抬动作信息、驾驶员眼睛上望动作信息和驾驶员脚步伸展角度动作信息;
行为概率模型建立模块,用于根据所述历史驾驶员行为信息建立行为概率模型;
动作意图生成模块,用于将当前驾驶员行为信息输入至所述行为概率模型生成驾驶员动作意图;
作业场景信息获取模块,用于获取历史作业场景信息;其中,所述历史作业场景信息包括集装箱高度信息N和集装箱距离车辆信息M;
作业场景概率模型建立模块,用于根据所述历史作业场景信息建立作业场景概率模型;
预测举升高度确定模块,用于将当前作业场景信息输入至所述作业场景概率模型确定预测举升高度;
举升意图生成模块,用于将所述举升高度和所述驾驶员动作意图融合生成驾驶员举升高度意图。
7.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
摄像头或雷达,用于采集驾驶员行为信息;
高度传感器,用于采集作业场景信息;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的驾驶员举升意图感知方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的驾驶员举升意图感知方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210271106.XA CN114627454B (zh) | 2022-03-18 | 2022-03-18 | 一种驾驶员举升意图感知方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210271106.XA CN114627454B (zh) | 2022-03-18 | 2022-03-18 | 一种驾驶员举升意图感知方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114627454A CN114627454A (zh) | 2022-06-14 |
CN114627454B true CN114627454B (zh) | 2024-02-09 |
Family
ID=81901892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210271106.XA Active CN114627454B (zh) | 2022-03-18 | 2022-03-18 | 一种驾驶员举升意图感知方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114627454B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427850A (zh) * | 2019-07-24 | 2019-11-08 | 中国科学院自动化研究所 | 驾驶员高速道路换道意图预测方法、系统、装置 |
CN112083720A (zh) * | 2020-08-18 | 2020-12-15 | 谈斯聪 | 一种水陆两用的勘探,考查装置,系统及方法 |
CN113240733A (zh) * | 2021-04-02 | 2021-08-10 | 北京拓疆者智能科技有限公司 | 一种用于辅助驾驶挖掘机的方法、系统、设备及存储介质 |
CN113392692A (zh) * | 2020-02-26 | 2021-09-14 | 本田技研工业株式会社 | 以驾驶员为中心的风险评估:经由意图感知驾驶模型的因果推理进行风险对象识别 |
CN113762406A (zh) * | 2021-09-15 | 2021-12-07 | 东软睿驰汽车技术(沈阳)有限公司 | 数据的挖掘方法、装置和电子设备 |
-
2022
- 2022-03-18 CN CN202210271106.XA patent/CN114627454B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427850A (zh) * | 2019-07-24 | 2019-11-08 | 中国科学院自动化研究所 | 驾驶员高速道路换道意图预测方法、系统、装置 |
CN113392692A (zh) * | 2020-02-26 | 2021-09-14 | 本田技研工业株式会社 | 以驾驶员为中心的风险评估:经由意图感知驾驶模型的因果推理进行风险对象识别 |
CN112083720A (zh) * | 2020-08-18 | 2020-12-15 | 谈斯聪 | 一种水陆两用的勘探,考查装置,系统及方法 |
CN113240733A (zh) * | 2021-04-02 | 2021-08-10 | 北京拓疆者智能科技有限公司 | 一种用于辅助驾驶挖掘机的方法、系统、设备及存储介质 |
CN113762406A (zh) * | 2021-09-15 | 2021-12-07 | 东软睿驰汽车技术(沈阳)有限公司 | 数据的挖掘方法、装置和电子设备 |
Non-Patent Citations (1)
Title |
---|
"基于驾驶员意图及行驶场景判断的智能驾驶模式识别策略";郑羿方等;《汽车实用技术》(第9期);第53-57页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114627454A (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107403426B (zh) | 一种目标物体检测方法及设备 | |
CN110251004B (zh) | 扫地机器人及其清扫方法和计算机可读存储介质 | |
US20030007682A1 (en) | Image recognizing apparatus and method | |
EP3910507A1 (en) | Method and apparatus for waking up screen | |
CN112651490B (zh) | 人脸关键点检测模型的训练方法及设备、可读存储介质 | |
CN113885956B (zh) | 服务部署方法及装置、电子设备和存储介质 | |
JP2021108039A (ja) | モデル圧縮装置及びプログラム | |
CN114627454B (zh) | 一种驾驶员举升意图感知方法、装置、设备及介质 | |
CN112561879A (zh) | 模糊度评价模型训练方法、图像模糊度评价方法及装置 | |
CN112101513A (zh) | 机器学习装置 | |
CN112528931B (zh) | 用于生成位置预测信息的方法、装置以及自动驾驶车辆 | |
CN112949467B (zh) | 人脸检测方法、装置、电子设备和存储介质 | |
CN114841338B (zh) | 训练模型参数的方法、决策确定方法、装置及电子设备 | |
CN115171082B (zh) | 驾驶行为的检测方法、装置、电子设备及可读存储介质 | |
CN116309158A (zh) | 网络模型的训练方法、三维重建方法、装置、设备和介质 | |
CN116363444A (zh) | 模糊分类模型训练方法、识别模糊图像的方法及装置 | |
CN111815658B (zh) | 一种图像识别方法及装置 | |
CN111314119B (zh) | 不确定环境下无人平台信息感知网络快速重构方法和装置 | |
CN114529010A (zh) | 一种机器人自主学习方法、装置、设备及存储介质 | |
KR20220079125A (ko) | 준지도 학습 방식의 단일 영상 깊이 추정 시스템 및 방법과 이를 위한 컴퓨터 프로그램 | |
CN111382834B (zh) | 一种置信度比较方法及装置 | |
CN108921015B (zh) | 基于递归结构车载单目摄像头下行人目标校验算法及系统 | |
CN114120350A (zh) | 一种手势识别的方法及其相关设备 | |
CN114067183B (zh) | 神经网络模型训练方法、图像处理方法、装置和设备 | |
US20230325786A1 (en) | System for applying an artificial intelligence engine in real-time to affect course corrections and influence outcomes |
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 |