CN114735018A - 一种基于单雷达的前方最危险目标车辆的筛选判断方法 - Google Patents

一种基于单雷达的前方最危险目标车辆的筛选判断方法 Download PDF

Info

Publication number
CN114735018A
CN114735018A CN202210500060.4A CN202210500060A CN114735018A CN 114735018 A CN114735018 A CN 114735018A CN 202210500060 A CN202210500060 A CN 202210500060A CN 114735018 A CN114735018 A CN 114735018A
Authority
CN
China
Prior art keywords
vehicle
target
screening
dangerous
radar
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
Application number
CN202210500060.4A
Other languages
English (en)
Inventor
吴寅豪
王桦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Maxieye Automobile Technology Co ltd
Original Assignee
Shanghai Maxieye Automobile Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Maxieye Automobile Technology Co ltd filed Critical Shanghai Maxieye Automobile Technology Co ltd
Priority to CN202210500060.4A priority Critical patent/CN114735018A/zh
Publication of CN114735018A publication Critical patent/CN114735018A/zh
Pending legal-status Critical Current

Links

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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/801—Lateral distance
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/802—Longitudinal distance
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/803—Relative lateral speed
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/804—Relative longitudinal speed
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/805—Azimuth angle

Abstract

本发明属于车道位置识别领域，具体公开了一种基于单雷达的前方最危险目标车辆的筛选判断方法，包括步骤：结合雷达探测信息和行车传感器信息，预测本车行驶轨迹；基于定曲率目标识别算法，引入修正系数K并采用‘仿真标定法’对不同车速下的K值进行拟合，预测前后车辆之间的相对横向距离；为选取最危险目标车辆，应用逻辑门限值控制理论将前方多目标车进行分类，并利用“同车道最近原则”完成筛选。本发明的方法能提高车辆弯道行驶中AEB系统的可靠性。

Description

一种基于单雷达的前方最危险目标车辆的筛选判断方法
技术领域
本发明涉及车道位置识别领域，具体为一种基于单雷达的前方最危险目标车辆的筛选判断方法。
背景技术
由于目前研究人员大多重点关注于AEB系统对车辆的预警/制动控制，对前方目标识别的研究比较少；且基于单雷达对前方目标车道位置识别主要集中在对图像信息的感知，采集以及标注技术，而本发明主要研究了基于单雷达的前方多目标车辆的车道信息的判断方法。在现在技术中，人们采用机器视觉技术对前方车辆和车道线进行识别，判断前方目标车辆所处的车道信息；也可通过对驾驶员视野捕捉来判断驾驶员意图，从而找出前方最危险目标车辆。该类方法主要是通过传感器与机器视觉技术来监测车道线判断前方目标车辆位置的方法。与之相似的还有GPS域车车通信的方法、信息融合的方法，但此方法识别前方多目标车鲁棒性差，受环境影响较大且识别距离较短。还有一些厂商基于前方车辆数据预测车道、点与几何元素的位置关系或者主车道行驶弯道圆心角为基准补偿相应目标车辆位置来判断前方目标位置。这些方法都是基于不同的识别原理设计算法，对本车和前车数据进行处理，将其分两段预测轨迹，从而判断两者的车道关系。该类方法尽在前后车相距较远时效果较好且实现较为困难。因此，为了解决上述技术问题，需要一种实现较为容易、考虑内容少且可靠性好的前方多目标车辆筛选判断方法。
发明内容
本发明的目的在于提供一种基于单雷达的前方最危险目标车辆的筛选判断方法，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：一种基于单雷达的前方最危险目标车辆的筛选判断方法，包括步骤：
S1：基于本车传感器和毫米波雷达预测车辆行驶轨迹；
S2：预测相对横向距离；
S3：修正调整；
S4：基于预设逻辑将目标车辆分类；
S5：最危险目标车辆筛选与判断。
优选的，S1还包括获取单雷达的输出信号并对单雷达的输出信号进行预处理，预处理过程包括：将毫米波雷达输出的相对车距、相对车速与相对方位角转化到本车的直角坐标系中，经计算获得与本车的纵向及侧向相对运动信息，通过将该信息输入到自动紧急制动系统的目标状态判断算法中，从而对前方目标车辆进行危险状态的判断。
优选的，S2中具体过程包括：获取陀螺仪测得的车辆横摆角速度、车辆传感器测得的车速等，并采用定曲率目标识别算法预测相对横向距离。
优选的，S3中加入修正系数对车辆后轴至雷达安装点的纵向水平距离进行修正，以减少车长带来的影响。
优选的，S4中预设逻辑为逻辑门限值理论，S4中包括：利用逻辑门限值理论，结合目标车与本车的相对位置关系，将相邻车道内和本车道内目标车辆进行划分；基于AEB系统对前方多目标车辆进行分类，过滤安全目标车辆信息。
优选的，S5中对于本车道内前方危险目标车，采用‘同车道最近原则’筛选出离本车最近的目标并将其判断为最危险目标车辆。
与现有技术相比，本发明的有益效果是：
1、本发明针对客车车型及其气压制动的特点，建立整车多体动力学模型；基于逻辑门限值控制方法设置ABS系统参数确保AEB系统的稳定性；在Matlab/Simulink中建立逆纵向动力学模型实现车辆模型的有效控制，并通过正负阶信号输入反馈验证其有效性。
2、本发明的方法，通过对单雷达的输出信号进行预处理，基于本车自身运动状态预测本车的行驶轨迹；提出引入修正系数K的定曲率目标识别算法预测前后车辆之间的相对横向距离；通过逻辑门限值方法判断前车车道信息，并对前方目标车进行车道区分；根据“同车道最近原则”判断出最危险的目标车辆，并滤除其他车辆信息干扰，进而提高车辆弯道行驶中AEB系统的可靠性。
3、本发明搭建了搭建TruckSim和Simulink联合仿真模型，利用状态机模型对各模块间逻辑关系进行简化；基于行业标准JT/T1242-2019建立弯道横向目标识别的仿真测试场景，来验证改进AEB系统的可靠性。
附图说明
图1为本发明筛选判断的方法流程图；
图2为本发明实施例中毫米波雷达坐标系和本车坐标系示意图；
图3为本发明实施例中车辆转弯半径示意图；
图4为本发明实施例中车辆绕固定半径圆做匀速圆周运动示意图；
图5为本发明实施例中目标车辆识别判断算法优化示意图；
图6为本发明实施例中优化后的目标识别判断模型图；
图7为本发明实施例中车辆在弯道行驶环境示意图；
图8为本发明实施例中仿真测试场景图；
图9为本发明实施例中本车速度为30km/h各相对横向距离示意图；
图10为本发明实施例中本车速度为80km/h各相对横向距离示意图。
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。
请参阅图1，本发明提供一种技术方案：一种基于单雷达的前方最危险目标车辆的筛选判断方法，包括步骤：
S1：基于本车传感器和毫米波雷达预测车辆行驶轨迹；
S2：预测相对横向距离；
S3：修正调整；
S4：基于预设逻辑将目标车辆分类；
S5：最危险目标车辆筛选与判断。
在本实施例中，自动紧急制动系统需要目标车辆的纵向和侧向行驶信息来实现对本车的控制，所以先将毫米波雷达输出的相对车距ρ、相对车速Vr与相对方位角θ转化到本车的直角坐标系中，如图2所示。本车与目标车辆的纵向相对车距与侧向相对车距可别表示为：
dx＝ρcosθ (1)
dy＝ρsinθ (2)
式中，dx与dy分别为本车与目标车辆的纵向相对车距与侧向相对车距，m；ρ为本车与目标车辆的相对车距，m；θ为本车与目标车辆的方位角，rad。
受到雷达测速原理的限制，只能获取环境车辆相对于本车的径向速度Vr,实际前车与本车相对车速Vd,可表示为：
Figure BDA0003630789920000041
式中，Vd、Vr、Vt分别为本车与目标车辆间的实际相对速度、径向速度与切向速度，m/s。其中，Vt可由下式计算：
Figure BDA0003630789920000042
在获得与本车的纵向及侧向相对运动信息后，即可将信息输入到自动紧急制动系统的目标状态判断算法中，从而对前方目标车辆进行危险状态的判断。
由于目前大多目标识别算法都通过预测前后车辆行驶轨迹来判断前方目标车辆的车道信息，其中定曲率目标识别算法最为简单有效，其基本原则是以本车信息确定当前道路曲率，并假定前车道路曲率与本车相同，但该方法应用于弯道工况时准确性较低。因此，本发明实施例对定曲率目标识别算法进行优化设计。
在本实施例中，车辆在弯道行驶时，自动紧急制动系统需要预测本车行驶轨迹来对前方目标车进行识别。为预测本车行驶轨迹，首先要对车辆的弯道行驶状态进行分析，车辆在弯道行驶中，其内侧前轮与后轮行驶方向的垂线相较于一点O，如图3所示。O点为车辆做圆周运动时的圆心点，即车辆行驶轨迹的弯道曲率中心。因此，后轴的中心点E到曲率中心点O的距离R为本车行驶转弯半径。
弯道工况下，本车轨迹以及目标车辆与本车之间的车道关系受道路曲率的影响。因此，获取实时道路曲率参数是目标识别算法中预测本车行驶轨迹的关键。
本发明基于陀螺仪所测量得到的车辆横摆角速度Yaw_rate以及车辆传感器测得的车速V估计当前弯道半径R。车辆在圆弧弯道上行驶时，假定车辆绕固定半径的圆做匀速圆周运动，如图4所示。车辆辆从图中位置以速度V匀速运动，绕圆周运动一圈后返回原点所需要的时间t为：
Figure BDA0003630789920000051
上式的计算依据是车辆绕圆周运动一周后车身所旋转的角度为2π，所以横摆角速度与运动时间相乘也等于2π。则在时间t时间段内车辆的运动距离l为：l＝Vt＝2πR (6)
由式(5)和式(6)，可得车辆行驶的弯道曲率C为：
Figure BDA0003630789920000052
在本实施例中，车辆在弯道行驶时，采用定曲率目标识别算法预测的相对横向距离与实际值之间存在误差。为提高AEB系统目标识别算法的精确性，本发明对定曲率目标识别算法进行优化，加入修正系数K对客车后轴至雷达安装点的纵向水平距离L进行修正，减少车长带来的影响。优化后的算法原理，如图5所示。
本车行驶在半径为R的弯道上。由上文分析可得，本车行驶半径R为：
R＝V/Yaw_rate (8)
前方目标车辆所在点P对应的道路圆心角为
Figure BDA0003630789920000066
即：
Figure BDA0003630789920000061
式中：
Figure BDA0003630789920000062
为圆心角的半值，rad。L为客车后轴至雷达安装点的纵向水平距离，m。
与前方目标车辆对应同一圆心角的本车道中心线位置为Q点，其与本车的横向距离Dr由下式可得：
Figure BDA0003630789920000063
PQ为本车与前车之间预测的相对横向距离D为：
Figure BDA0003630789920000064
预测的相对纵向距离D纵为：
Figure BDA0003630789920000065
当Dr-ρsinθ>0时，前方目标车辆行驶在本车道中心线的右侧；当Dr-ρsinθ＝0时，前方目标车辆行驶在本车道中心线上；当Dr-ρsinθ<0时，前方目标车辆行驶在本车道中心线的左侧。
以上的分析思路同样适用于右转弯，由此可以消除弯道曲率对相对横向距离的影响。当车辆行驶在直道时，把道路半径看作无穷大(R→+∞)，即可使用弯道上横向距离计算公式。
在本实施例中，为修正本车后轴至雷达安装点的纵向水平距离L引起的误差，本文在公式中加入修正系数K。由于车辆的行驶状态以及道路超高对于预测相对横向距离影响并不显著且没有具体定义标准，所以在之后的研究中，不考虑弯道超高带来的影响，将其设置为0％。预测相对横向距离受不同半径影响也较小，但受本车行驶车速变化影响较大，所以本发明仅对不同速度下的修正系数K进行讨论。本发明采用‘试凑法’对K的取值进行分析，设置的仿真工况与误差影响因素分析的仿真工况相同，然后通过大量的仿真测试得到不同本车行驶速度下所需要修正系数K的值，测试数据如下表所示：
Figure BDA0003630789920000071
基于上述的分析结果，对自变量本车车速V以及因变量修正系数K值进行拟合，即拟合得到的四次多项式为：
K＝5.48·10-8x4-1.08·10-5x3+5.19·10-4x2-1.67·10-2x+1.51 (13)
在Simulink中建立优化后的目标识别判断模型，如图6所示。
本发明利用逻辑门限值理论，结合目标车与本车的相对位置关系，将相邻车道内和本车道内目标车辆进行划分，如图7所示：
(1)当
Figure BDA0003630789920000072
时，目标1为本车道正常行驶车辆，即目标车辆在本车道范围内行驶，此目标为危险目标；
(2)当
Figure BDA0003630789920000073
时，目标2为相邻右车道正常行驶车辆，即目标车辆在本车道范围外行驶，此目标为安全目标；
(3)当
Figure BDA0003630789920000074
时，目标3为相邻左车道正常行驶车辆，即目标车辆在本车道范围外行驶，此目标为安全目标。
经上述设置的门限值规则判断后，AEB系统对前方多目标车辆进行分类，过滤安全目标车辆信息。对于本车道内前方危险目标车，采用‘同车道最近原则’筛选出离本车最近的目标并将其判断为最危险目标车辆。
在本实施例中，弯道前方目标车识别的原理是基于本车行驶轨迹，结合本车与前车之间的相对横向距离，利用逻辑门限值方法进行判断。因此，相对横向距离的准确性直接影响到算法的可靠性。建立好优化后的目标识别判断模型后，本节通过联合仿真测试来验证模型的可靠性。仿真工况为：前方目标车辆皆设为静止车辆；仿真开始前，本车道中心前方目标车1在本车前方200m处，相邻车道中心前方目标车2在本车前方100m处；在不同半径的弯道上，本车以30km/h或80km/h进行仿真测试。仿真场景模型如图8所示。
通过比较优化前后的预测相对横向距离D以及实际相对横向距离，来验证目标识别判断模型的可靠性，仿真结果如图9和图10所示。
本发明选择了高速和低速工况下，优化前后的算法进行仿真对比测试，由图9和图10可知，原来的目标识别算法测得的两车相对横向距离不准确，波动较大，影响对前方目标车车道信息的判断；加入修正系数K值后，定曲率目标识别算法求得的预测相对横向距离较为精准，稳定在实际值附近，能够正确判断前方目标车车道关系，且误差在可控范围内。
经上述实施例表明：在本车高速和低速行驶工况下，加入修正系数K对初始算法进行调整，调整效果明显，使AEB系统的目标识别算法判断更精确，系统可靠性提高。针对优化后的定曲率目标识别算法仍存在较小误差的问题，我们可以设定一个安全阈值来保证车辆对前方目标识别判断的准确性，当相邻车道内目标车靠近本车道一定安全范围内，系统将其判断为危险目标车辆。
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 (6)

1.一种基于单雷达的前方最危险目标车辆的筛选判断方法，其特征在于，包括步骤：
S1：基于本车传感器和毫米波雷达预测车辆行驶轨迹；
S2：预测相对横向距离；
S3：修正调整；
S4：基于预设逻辑将目标车辆分类；
S5：最危险目标车辆筛选与判断。
2.根据权利要求1所述的一种基于单雷达的前方最危险目标车辆的筛选判断方法，其特征在于：所述S1还包括获取单雷达的输出信号并对单雷达的输出信号进行预处理，预处理过程包括：将毫米波雷达输出的相对车距、相对车速与相对方位角转化到本车的直角坐标系中，经计算获得与本车的纵向及侧向相对运动信息，通过将该信息输入到自动紧急制动系统的目标状态判断算法中，从而对前方目标车辆进行危险状态的判断。
3.根据权利要求1所述的一种基于单雷达的前方最危险目标车辆的筛选判断方法，其特征在于：所述S2中具体过程包括：获取陀螺仪测得的车辆横摆角速度、车辆传感器测得的车速等，并采用定曲率目标识别算法预测相对横向距离。
4.根据权利要求1所述的一种基于单雷达的前方最危险目标车辆的筛选判断方法，其特征在于：所述S3中加入修正系数对车辆后轴至雷达安装点的纵向水平距离进行修正，以减少车长带来的影响。
5.根据权利要求1所述的一种基于单雷达的前方最危险目标车辆的筛选判断方法，其特征在于：所述S4中预设逻辑为逻辑门限值理论，S4中包括：利用逻辑门限值理论，结合目标车与本车的相对位置关系，将相邻车道内和本车道内目标车辆进行划分；基于AEB系统对前方多目标车辆进行分类，过滤安全目标车辆信息。
6.根据权利要求1所述的一种基于单雷达的前方最危险目标车辆的筛选判断方法，其特征在于：所述S5中对于本车道内前方危险目标车，采用‘同车道最近原则’筛选出离本车最近的目标并将其判断为最危险目标车辆。
CN202210500060.4A 2022-05-06 2022-05-06 一种基于单雷达的前方最危险目标车辆的筛选判断方法 Pending CN114735018A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210500060.4A CN114735018A (zh) 2022-05-06 2022-05-06 一种基于单雷达的前方最危险目标车辆的筛选判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210500060.4A CN114735018A (zh) 2022-05-06 2022-05-06 一种基于单雷达的前方最危险目标车辆的筛选判断方法

Publications (1)

Publication Number Publication Date
CN114735018A true CN114735018A (zh) 2022-07-12

Family

ID=82285898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210500060.4A Pending CN114735018A (zh) 2022-05-06 2022-05-06 一种基于单雷达的前方最危险目标车辆的筛选判断方法

Country Status (1)

Country Link
CN (1) CN114735018A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115402307A (zh) * 2022-11-03 2022-11-29 天津所托瑞安汽车科技有限公司 旁车切入的预警方法、电子设备和存储介质
CN116224281A (zh) * 2023-05-10 2023-06-06 南京隼眼电子科技有限公司 一种车辆姿态信息确定方法、装置及设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115402307A (zh) * 2022-11-03 2022-11-29 天津所托瑞安汽车科技有限公司 旁车切入的预警方法、电子设备和存储介质
CN116224281A (zh) * 2023-05-10 2023-06-06 南京隼眼电子科技有限公司 一种车辆姿态信息确定方法、装置及设备

Similar Documents

Publication Publication Date Title
CN114735018A (zh) 一种基于单雷达的前方最危险目标车辆的筛选判断方法
CN110517521A (zh) 一种基于路车融合感知的车道偏离预警方法
CN105374212B (zh) 基于智能终端传感的高速公路车辆车道识别方法及系统
CN104129389A (zh) 一种有效判别车辆行驶状态的方法及其装置
CN105160356B (zh) 一种车辆主动安全系统传感器数据融合方法及系统
US20050278112A1 (en) Process for predicting the course of a lane of a vehicle
CN110816540B (zh) 交通拥堵的确定方法、装置、系统及车辆
CN112406820B (zh) 多车道增强型自动紧急制动系统控制方法
CN111391856A (zh) 汽车自适应巡航的前方弯道检测系统及方法
CN101160231A (zh) 具有用于识别静止目标的装置的驾驶员协助系统
CN109760678A (zh) 一种汽车自适应巡航系统的限速方法
CN113192331B (zh) 一种网联环境下面向骑行安全的智能预警系统及预警方法
CN111439198B (zh) 一种大型车辆转弯预警方法及系统
CN109693669B (zh) 一种确定最近在径前车的方法及系统
CN109859528B (zh) 一种基于v2x车联网的弯道处车辆位置分类方法
CN108569289A (zh) 一种车载雷达及其逼近探测和目标判别方法
CN110121451A (zh) 先行车辆判定装置和车辆控制系统
WO2023072135A1 (zh) 车辆安全行驶的评估方法、装置、车辆及存储介质
CN113682305A (zh) 一种车路协同自适应巡航控制方法及装置
CN114475573A (zh) 基于v2x与视觉融合的起伏路况识别及车辆控制方法
US6301532B1 (en) Method for correction of a signal of at least one sensor on the basis of which a path curve can be determined, on which the vehicle is moving
CN109895766B (zh) 一种电动汽车的主动避障系统
CN110940981A (zh) 一种用于判断车辆前方目标的位置是否处于本车道内的方法
CN110678778A (zh) 用于检测迎面车辆的车辆系统
CN112026774B (zh) 基于自车摄像头、雷达感知信息的周围车辆侧滑识别方法

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