CN114820819B - 快速路自动驾驶方法及系统 - Google Patents

快速路自动驾驶方法及系统 Download PDF

Info

Publication number
CN114820819B
CN114820819B CN202210587064.0A CN202210587064A CN114820819B CN 114820819 B CN114820819 B CN 114820819B CN 202210587064 A CN202210587064 A CN 202210587064A CN 114820819 B CN114820819 B CN 114820819B
Authority
CN
China
Prior art keywords
vehicle
image
express way
coordinate
camera
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
Application number
CN202210587064.0A
Other languages
English (en)
Other versions
CN114820819A (zh
Inventor
赵汝准
陈健林
谭伟潮
陈宽广
梁左蒙
夏晶晶
邓忠承
曾婉霞
邓家豪
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.)
Guangdong Mechanical and Electrical College
Original Assignee
Guangdong Mechanical and Electrical College
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 Guangdong Mechanical and Electrical College filed Critical Guangdong Mechanical and Electrical College
Priority to CN202210587064.0A priority Critical patent/CN114820819B/zh
Publication of CN114820819A publication Critical patent/CN114820819A/zh
Application granted granted Critical
Publication of CN114820819B publication Critical patent/CN114820819B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种快速路自动驾驶方法，涉及自动驾驶技术领域，解决现有自动驾驶主要依赖车辆自身的机器视觉或雷达，不适用快速路拥堵状况的技术问题，方法包括：获取快速路的道路参数，数据化得到快速路坐标点集合；获取快速路的摄像头的布设参数，以及拍摄的图像；确定图像对应的坐标点分布图，记为网格单元化基准图；获取各摄像头的实时图像；调用各摄像头对应的网格单元化基准图作为图层一，将实时图像作为图层二，两个图层合并得到新图；对新图做图像识别，得到各路段对应的网格单元的车辆分布数据，并将车辆分布数据发送至目标车辆的车载中控；根据车辆分布数据和目标车辆的坐标位置做超前预测。本发明还公开了一种快速路自动驾驶系统。

Description

快速路自动驾驶方法及系统
技术领域
本发明涉及自动驾驶技术领域，更具体地说，它涉及一种快速路自动驾驶方法及系统。
背景技术
快速路，一般意义上指的是为缓解城市大流量交通压力，缩短不同市区、县城的高架快速路；相较于市区道路，其路况相对简易，且其高限速可为80km/h，因此可以缩短出行在途时间。
然而，随着各城市的人口基数增大，以国内部分一线、新一线城市为例，高架已经逐渐失去快速通行的作用，拥堵和行车缓慢在出行高峰、甚至非低谷段逐渐成为常态化。
造成上述现状的原因除了人口基数增大导致的车流增大，另一个原因在于快速路的进口、出口数量相对城市一般道路较少，因此中间路段一旦发生交通事故等占据车道，后续车辆无法如同在城市一般道路行驶一样快速绕行；再加上快速路的车速更快，导致车辆快速聚集于事故点，事故所占据车道的车辆受其他车道接近的车辆阻碍，不方便再更换至其他车道，这一情况在越靠近事故点的位置，车流越大时越是严重，最终导致拥堵加重。
在当前，汽车自动驾驶技术逐步发展，自动驾驶技术从L0-L5，均可对司机提供有效驾驶帮助，在合适的条件下可以减小事故的发生，从而减小道路拥堵等；但是目前大多自动驾驶相对独立，主要依赖车辆自身的机器视觉/雷达，自动驾驶行为决策局限于车身周侧，在遇到上述一类快速路拥堵问题时效果不佳，因此本申请提出一种新的技术方案。
发明内容
本发明要解决的技术问题是针对现有技术的上述不足，本发明的目的一是提供一种可以适用于快速路拥堵状况的快速路自动驾驶方法。
本发明的目的二是提供一种可以适用于快速路拥堵状况的快速路自动驾驶系统。
为了实现上述目的一，本发明提供一种快速路自动驾驶方法，包括：
获取快速路的道路参数，根据所述道路参数建立多轴坐标系以将快速路数据化，得到快速路坐标点集合；
获取预布设在快速路的摄像头的布设参数，以及所述摄像头拍摄的图像；根据所述布设参数确定摄像头拍摄的图像所对应的路段；根据所述快速路坐标点集合、摄像头拍摄的图像、对应的路段得到图像对应的坐标点分布图，将坐标点分布图记为网格单元化基准图，并匹配至对应的摄像头；
获取各所述摄像头的实时图像；调用各所述摄像头对应的网格单元化基准图作为图层一，将实时图像作为图层二，两个图层合并得到新图；对所述新图做图像识别，确定所述新图中的车辆对应的坐标点，得到各路段对应的网格单元的车辆分布数据，并将所述车辆分布数据发送至目标车辆的车载中控；
根据所述目标车辆的定位数据确定目标车辆相较于快速路的相对位置；根据所述相对位置和快速路坐标点集合确定目标车辆的坐标位置；根据所述车辆分布数据和目标车辆的坐标位置做超前预测。
作为进一步地改进，所述道路参数包括各个路段的长、宽、坡度、车道数量、车道宽度、辅道宽以及弯道的曲线长、内外距和半径；将快速路数据化包括：
选定快速道路的任意一点作为基准点，记为道路原点，建立三轴坐标系(X、Y、Z)；
根据所述道路参数和道路原点计算得到快速路不同位置的坐标点，得到快速路坐标点集合。
进一步地，计算快速路不同位置的坐标点具体为，先计算起始位置和末位置的坐标点，然后根据打点的频率计算起始位置和末位置之间的各个坐标点。
进一步地，确定摄像头拍摄的图像所对应的路段包括：
根据所述摄像头的位置确定所述摄像头相对快速路段的坐标，再根据所述摄像头的视场角参数估算该摄像头拍摄视角的极限，以便在快速路上放置标定特征，使后续能从快速路上分割出一个单元路段；在摄像头满溢布设的前提下，将各个摄像头的有效拍摄范围拼接，即为完整快速路图像；
获取多个所述标定特征对应的快速路位置参数j，记为jn，n为标定特征编号；
将jn记为标定坐标点，根据标定坐标点确定摄像头对应的路段。
进一步地，确定图像对应的坐标点分布图包括：
识别图像中的标定特征，确定标定特征的像素位置；
建立像素位置与标定坐标点的一一对应关系，并比例换算，计算图像中对应路段的坐标点分布，得到图像对应的坐标点分布图。
进一步地，确定车辆对应的坐标点包括：
识别所述新图中的车辆的车牌，得到车牌号和车牌的像素位置；
根据车牌号查找预配数据库，调用数据库中的车管登记数据，确定车辆的长和宽；
根据车牌的像素位置确定车牌对应的快速路坐标点；
识别车辆所处的车道，确定车牌位于车头还是车尾，估算车头或车尾的坐标点；
基于车头或车尾对应的坐标点、车辆的长和宽以及快速路坐标点集合，估算得到车辆对应的坐标点。
进一步地，在估算车辆对应的坐标点时，引入一个人工验证的平均补偿量k进行补偿。
进一步地，所述目标车辆的定位数据为卫星定位数据或基站定位数据。
进一步地，所述超前预测包括预超车分析、预变道分析、预增/减速分析；
所述预超车分析为，当所述目标车辆前方的两个车辆之间的间距大于超车安全距离时，则判定为具备超车条件，执行预设的超车行为指令；
所述预变道分析为，当所述目标车辆前方存在一个车辆，且该车辆连续一段时间未同坐标位置占用，则判定为前方车道占用，执行预设的变道行为指令；
所述预增/减速分析为，当所述目标车辆同车道前方相邻多个车辆的距离小于减速安全距离时，则判定为前方减速缓行，根据实际跟车距离设置选择执行减速指令；当所述目标车辆同车道前方相邻多个车辆的距离大于增速安全距离时，则判定为前方增速，根据实际跟车距离设置选择执行增速指令。
为了实现上述目的二，本发明提供一种快速路自动驾驶系统，路侧MEC服务器、路侧通讯组、摄像头和车载中控；
所述摄像头用于拍摄快速路的图像；所述路侧MEC服务器接收摄像头输出的图像数据，并根据上述的快速路自动驾驶方法的计算得到快速路的车辆分布数据；所述路侧MEC服务器通过所述路侧通讯组将所述车辆分布数据发送至所述车载中控，所述车载中控根据所述车辆分布数据和所述车载中控的坐标位置做超前预测。
有益效果
本发明与现有技术相比，具有的优点为：
本发明利用快速路布设的摄像头拍摄的图像，计算得到相应道路上的车辆分布数据，以供当前车辆使用，提前规划驾驶行为，使自动驾驶不再是仅仅依赖车辆自身的机器视觉/雷达而局限于考虑车身周侧，使得行驶路线和方式规划更为合适。
附图说明
图1为本发明中方法的流程图；
图2为本发明中系统的结构示意图。
其中：1-路侧MEC服务器、2-路侧通讯组、3-摄像头、4-车载中控、5-云平台。
具体实施方式
下面结合附图中的具体实施例对本发明做进一步的说明。
参阅图1、2，一种快速路自动驾驶方法，包括：
获取快速路的道路参数，根据道路参数建立多轴坐标系以将快速路数据化，得到快速路坐标点集合；
获取预布设在快速路的摄像头的布设参数，以及摄像头拍摄的图像；根据布设参数确定摄像头拍摄的图像所对应的路段；根据快速路坐标点集合、摄像头拍摄的图像、对应的路段得到图像对应的坐标点分布图，将坐标点分布图记为网格单元化基准图，并匹配至对应的摄像头；
获取各摄像头的实时图像；调用各摄像头对应的网格单元化基准图作为图层一，将实时图像作为图层二，两个图层合并得到新图；对新图做图像识别，确定新图中的车辆对应的坐标点，得到各路段对应的网格单元的车辆分布数据，并将车辆分布数据发送至目标车辆的车载中控；上述新图的获取，可以看做将实时图像转变为一个带有网格坐标点的图，以便识别分析车辆的位置；
根据目标车辆的定位数据确定目标车辆相较于快速路的相对位置；根据相对位置和快速路坐标点集合确定目标车辆的坐标位置；根据车辆分布数据和目标车辆的坐标位置做超前预测。
道路参数包括各个路段的长、宽、坡度、车道数量、车道宽度、辅道宽以及弯道的曲线长、内外距和半径；将快速路数据化包括：
选定快速道路的任意一点作为基准点，记为道路原点，建立三轴坐标系X、Y、Z；
根据道路参数和道路原点计算得到快速路不同位置的坐标点，得到快速路坐标点集合。例如：一快速路长为1km，宽为10m，无坡度，且道路原点为(0,0,0)，则其末端左右位置的坐标即分别为(1000，-5，0)，(1000，5，0)。
在一定程度上可以通过人工手动计算坐标点，再录入相应电子设备构建的三维坐标系中。需要注意的是，无论是否人工，对于平顺规律段，并非依次计算坐标点。计算快速路不同位置的坐标点具体为，先计算起始位置和末位置的坐标点，然后根据打点的频率计算起始位置和末位置之间的各个坐标点(类似于频率格纸坐标计算)，以简化流程，通过一次次的打点于同一坐标系中，即可构建出点阵集合而成的快速路，即数据化后的快速路。
布设参数至少包括摄像头安装点的空间位置参数、视场角参数，由人工录入；确定摄像头拍摄的图像所对应的路段包括：
根据摄像头的位置确定摄像头相对快速路段的坐标，再根据摄像头的视场角参数估算该摄像头拍摄视角的极限，以便在快速路上放置标定特征，使后续能从快速路上分割出一个单元路段；在摄像头满溢布设的前提下，将各个摄像头的有效拍摄范围拼接，即为完整快速路图像；
获取多个标定特征对应的快速路位置参数j，记为jn，n为标定特征编号；
将jn记为标定坐标点，根据标定坐标点确定摄像头对应的路段。
其中，标定特征预设于有效拍摄范围的快速路上；可以理解为人工在快速路放置标定特征(如色块或其他标定物)再录入；标定特征点至少为8个，位置分别为一个路段的前端左、中、右三点，中部左右两点，后端左、中、右三点。可以参考车载360°影像的全景图拼接中的放点，对标定特征点校正。
确定图像对应的坐标点分布图包括：
识别图像中的标定特征，确定标定特征的像素位置，具体的将图像灰度二值化后，计算识别标定特征对应的像素坐标；
建立像素位置与标定坐标点的一一对应关系，并比例换算，计算图像中对应路段的坐标点分布，得到图像对应的坐标点分布图。其中，比例换算，即在假设上述得到路段前端左右点的像素距离为5Px，而路宽为10m，则2m/Px；此时，从快速路坐标点集合中根据始/末坐标点，调取出路段坐标点集合，再依据2m/Px进行换算即可得到各个坐标点对应的像素点位，以此得到图像对应的坐标点分布图。因为一个路段，本申请记为一个网格单元，因此该图又称为：网格单元化基准图，并与对应摄像头建立匹配关系。
当然，快速路的图像也可以是利用高精级卫星从高空跟踪拍摄，可以减小拍摄视角倾斜造成的道路变形影响。
确定车辆对应的坐标点包括：
识别新图中的车辆的车牌，得到车牌号和车牌的像素位置；
根据车牌号查找预配数据库，调用数据库中的车管登记数据，确定车辆的长和宽；
根据车牌的像素位置确定车牌对应的快速路坐标点；
识别车辆所处的车道，确定车牌位于车头还是车尾，估算车头或车尾的坐标点；
基于车头或车尾对应的坐标点、车辆的长和宽以及快速路坐标点集合，估算得到车辆对应的坐标点。因为是先确定图像中的车牌位置，得到车牌的坐标点，再根据车主登记的车辆属性(长、宽)去计算车辆实际占据的道路的坐标点，所以准确性相对较高，可以减小拍摄视角倾斜造成的影响。
估算车头/车尾的坐标点，而非计算确定，是因为上述计算即便后续为实际参数运算，但是运用的基础为车牌坐标点，车牌坐标点是借用了图像直接获取的数据，所以车牌坐标点与车牌(在道路的垂直投影)实际坐标位置依旧存在偏差。但此偏差量对本实施例的应用影响不大。
为了提高准确性，可以在估算车辆对应的坐标点时，引入一个人工验证的平均补偿量k进行补偿，使得坐标(x,y,z)变换为(x+k,y+k,z+k)。
目标车辆的定位数据为卫星定位数据或基站定位数据，卫星定位数据可以GPS数据或北导定位系统的数据。
超前预测包括预超车分析、预变道分析、预增/减速分析；
预超车分析为，当目标车辆前方的两个车辆之间的间距大于超车安全距离时，则判定为具备超车条件，执行预设的超车行为指令；比如：当本车的前一车辆A、前一车辆的前一车辆B，从车辆分布数据计算得到两者间距大于200m，则判定为具备超车条件，执行预设的超车行为指令；
预变道分析为，当目标车辆前方存在一个车辆，且该车辆连续一段时间未同坐标位置占用，则判定为前方车道占用，执行预设的变道行为指令；比如：当从车辆分布数据得到前方800m存在一车辆，连续1min未同坐标位置占用，则判定为前方车道占用，执行预设的变道行为指令；
预增/减速分析为，当目标车辆同车道前方相邻多个车辆的距离小于减速安全距离时，则判定为前方减速缓行，根据实际跟车距离设置选择执行减速指令；当目标车辆同车道前方相邻多个车辆的距离大于增速安全距离时，则判定为前方增速，根据实际跟车距离设置选择执行增速指令；比如：当从车辆分布数据得到前方200m开始，同车道前方相邻多个车辆的间距小于50m，则判定为前方减速缓行，根据实际跟车距离设置选择执行减速指令；若上述车辆A和B之间的间距大于120m，小于200m，则判定为前方增速，根据实际跟车距离设置选择执行增速指令。
本发明利用快速路布设的摄像头拍摄的图像，计算得到相应道路上的车辆分布数据，以供当前车辆使用，提前规划驾驶行为，使自动驾驶不再是仅仅依赖车辆自身的机器视觉/雷达而局限于考虑车身周侧，使得行驶路线和方式规划更为合适。
一种快速路自动驾驶系统，路侧MEC服务器1、路侧通讯组2、摄像头3和车载中控4；
摄像头3用于拍摄快速路的图像；路侧MEC服务器1接收摄像头3输出的图像数据，并根据上述的快速路自动驾驶方法的计算得到快速路的车辆分布数据；路侧MEC服务器1通过路侧通讯组2将车辆分布数据发送至车载中控4，车载中控4根据车辆分布数据和车载中控4的坐标位置做超前预测。路侧通讯组包括路侧无线基站和/或RSU通讯单元。路侧MEC服务器1的数据会传至云平台5。
可以理解的是，快速路禁止行人、非机动车等进入，且路况相对平顺，岔路等相对较少，走向明确，因此其更适用本申请技术方案的实施，但本申请的方案同样也可在一般城市道路路段选择性应用。
以上仅是本发明的优选实施方式，应当指出对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些都不会影响本发明实施的效果和专利的实用性。

Claims (10)

1.一种快速路自动驾驶方法，其特征在于，包括：
获取快速路的道路参数，根据所述道路参数建立多轴坐标系以将快速路数据化，得到快速路坐标点集合；
获取预布设在快速路的摄像头的布设参数，以及所述摄像头拍摄的图像；根据所述布设参数确定摄像头拍摄的图像所对应的路段；根据所述快速路坐标点集合、摄像头拍摄的图像、对应的路段得到图像对应的坐标点分布图，将坐标点分布图记为网格单元化基准图，并匹配至对应的摄像头；
获取各所述摄像头的实时图像；调用各所述摄像头对应的网格单元化基准图作为图层一，将实时图像作为图层二，两个图层合并得到新图；对所述新图做图像识别，确定所述新图中的车辆对应的坐标点，得到各路段对应的网格单元的车辆分布数据，并将所述车辆分布数据发送至目标车辆的车载中控；
根据所述目标车辆的定位数据确定目标车辆相较于快速路的相对位置；根据所述相对位置和快速路坐标点集合确定目标车辆的坐标位置；根据所述车辆分布数据和目标车辆的坐标位置做超前预测。
2.根据权利要求1所述的快速路自动驾驶方法，其特征在于，所述道路参数包括各个路段的长、宽、坡度、车道数量、车道宽度、辅道宽以及弯道的曲线长、内外距和半径；将快速路数据化包括：
选定快速道路的任意一点作为基准点，记为道路原点，建立三轴坐标系(X、Y、Z)；
根据所述道路参数和道路原点计算得到快速路不同位置的坐标点，得到快速路坐标点集合。
3.根据权利要求2所述的快速路自动驾驶方法，其特征在于，计算快速路不同位置的坐标点具体为，先计算起始位置和末位置的坐标点，然后根据打点的频率计算起始位置和末位置之间的各个坐标点。
4.根据权利要求1所述的快速路自动驾驶方法，其特征在于，确定摄像头拍摄的图像所对应的路段包括：
根据所述摄像头的位置确定所述摄像头相对快速路段的坐标，再根据所述摄像头的视场角参数估算该摄像头拍摄视角的极限，以便在快速路上放置标定特征，使后续能从快速路上分割出一个单元路段；在摄像头满溢布设的前提下，将各个摄像头的有效拍摄范围拼接，即为完整快速路图像；
获取多个所述标定特征对应的快速路位置参数j，记为jn，n为标定特征编号；
将jn记为标定坐标点，根据标定坐标点确定摄像头对应的路段。
5.根据权利要求4所述的快速路自动驾驶方法，其特征在于，确定图像对应的坐标点分布图包括：
识别图像中的标定特征，确定标定特征的像素位置；
建立像素位置与标定坐标点的一一对应关系，并比例换算，计算图像中对应路段的坐标点分布，得到图像对应的坐标点分布图。
6.根据权利要求5所述的快速路自动驾驶方法，其特征在于，确定车辆对应的坐标点包括：
识别所述新图中的车辆的车牌，得到车牌号和车牌的像素位置；
根据车牌号查找预配数据库，调用数据库中的车管登记数据，确定车辆的长和宽；
根据车牌的像素位置确定车牌对应的快速路坐标点；
识别车辆所处的车道，确定车牌位于车头还是车尾，估算车头或车尾的坐标点；
基于车头或车尾对应的坐标点、车辆的长和宽以及快速路坐标点集合，估算得到车辆对应的坐标点。
7.根据权利要求6所述的快速路自动驾驶方法，其特征在于，在估算车辆对应的坐标点时，引入一个人工验证的平均补偿量k进行补偿。
8.根据权利要求1所述的快速路自动驾驶方法，其特征在于，所述目标车辆的定位数据为卫星定位数据或基站定位数据。
9.根据权利要求1所述的快速路自动驾驶方法，其特征在于，所述超前预测包括预超车分析、预变道分析、预增/减速分析；
所述预超车分析为，当所述目标车辆前方的两个车辆之间的间距大于超车安全距离时，则判定为具备超车条件，执行预设的超车行为指令；
所述预变道分析为，当所述目标车辆前方存在一个车辆，且该车辆连续一段时间未同坐标位置占用，则判定为前方车道占用，执行预设的变道行为指令；
所述预增/减速分析为，当所述目标车辆同车道前方相邻多个车辆的距离小于减速安全距离时，则判定为前方减速缓行，根据实际跟车距离设置选择执行减速指令；当所述目标车辆同车道前方相邻多个车辆的距离大于增速安全距离时，则判定为前方增速，根据实际跟车距离设置选择执行增速指令。
10.一种快速路自动驾驶系统，其特征在于，路侧MEC服务器(1)、路侧通讯组(2)、摄像头(3)和车载中控(4)；
所述摄像头(3)用于拍摄快速路的图像；所述路侧MEC服务器(1)接收摄像头(3)输出的图像数据，并根据权利要求1-9任一项所述的快速路自动驾驶方法的计算得到快速路的车辆分布数据；所述路侧MEC服务器(1)通过所述路侧通讯组(2)将所述车辆分布数据发送至所述车载中控(4)，所述车载中控(4)根据所述车辆分布数据和所述车载中控(4)的坐标位置做超前预测。
CN202210587064.0A 2022-05-26 2022-05-26 快速路自动驾驶方法及系统 Active CN114820819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210587064.0A CN114820819B (zh) 2022-05-26 2022-05-26 快速路自动驾驶方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210587064.0A CN114820819B (zh) 2022-05-26 2022-05-26 快速路自动驾驶方法及系统

Publications (2)

Publication Number Publication Date
CN114820819A CN114820819A (zh) 2022-07-29
CN114820819B true CN114820819B (zh) 2023-03-31

Family

ID=82519365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210587064.0A Active CN114820819B (zh) 2022-05-26 2022-05-26 快速路自动驾驶方法及系统

Country Status (1)

Country Link
CN (1) CN114820819B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012203795A (ja) * 2011-03-28 2012-10-22 Nissin Electric Co Ltd 車両速度計測方法及びそれを利用した車両全体像検出方法並びに車両ナンバープレート情報誤認防止方法
CN110293970A (zh) * 2019-05-22 2019-10-01 重庆长安汽车股份有限公司 一种自动驾驶汽车的行驶控制方法、装置及汽车
CN110503823A (zh) * 2019-07-11 2019-11-26 江苏大学 一种自动驾驶车辆专用车道控制系统与方法
CN111462503A (zh) * 2019-01-22 2020-07-28 杭州海康威视数字技术股份有限公司 车辆测速方法、装置及计算机可读存储介质
CN111696160A (zh) * 2020-06-22 2020-09-22 深圳市中天安驰有限责任公司 车载摄像头自动标定方法、设备及可读存储介质
CN111915883A (zh) * 2020-06-17 2020-11-10 西安交通大学 一种基于车载摄像的道路交通状况检测方法
CN112329533A (zh) * 2020-10-07 2021-02-05 江苏大学 一种基于图像分割的局部路面附着系数估计方法
CN112836737A (zh) * 2021-01-29 2021-05-25 同济大学 一种基于车路数据融合的路侧组合感知设备在线标定方法
CN113592905A (zh) * 2021-07-12 2021-11-02 北京航空航天大学 基于单目摄像头的车辆行驶轨迹预测方法
CN114219910A (zh) * 2021-09-14 2022-03-22 陕西科技大学 一种融合激光雷达和机器视觉的自动驾驶车畜牧清洗方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012203795A (ja) * 2011-03-28 2012-10-22 Nissin Electric Co Ltd 車両速度計測方法及びそれを利用した車両全体像検出方法並びに車両ナンバープレート情報誤認防止方法
CN111462503A (zh) * 2019-01-22 2020-07-28 杭州海康威视数字技术股份有限公司 车辆测速方法、装置及计算机可读存储介质
CN110293970A (zh) * 2019-05-22 2019-10-01 重庆长安汽车股份有限公司 一种自动驾驶汽车的行驶控制方法、装置及汽车
CN110503823A (zh) * 2019-07-11 2019-11-26 江苏大学 一种自动驾驶车辆专用车道控制系统与方法
CN111915883A (zh) * 2020-06-17 2020-11-10 西安交通大学 一种基于车载摄像的道路交通状况检测方法
CN111696160A (zh) * 2020-06-22 2020-09-22 深圳市中天安驰有限责任公司 车载摄像头自动标定方法、设备及可读存储介质
CN112329533A (zh) * 2020-10-07 2021-02-05 江苏大学 一种基于图像分割的局部路面附着系数估计方法
CN112836737A (zh) * 2021-01-29 2021-05-25 同济大学 一种基于车路数据融合的路侧组合感知设备在线标定方法
CN113592905A (zh) * 2021-07-12 2021-11-02 北京航空航天大学 基于单目摄像头的车辆行驶轨迹预测方法
CN114219910A (zh) * 2021-09-14 2022-03-22 陕西科技大学 一种融合激光雷达和机器视觉的自动驾驶车畜牧清洗方法

Also Published As

Publication number Publication date
CN114820819A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN108216229B (zh) 交通工具、道路线检测和驾驶控制方法及装置
CN102208011B (zh) 图像处理系统及车辆控制系统
DE102013214328B4 (de) Fahrzeugverhaltensvorhersagevorrichtung und Fahrzeugsverhaltensvorhersageverfahren
DE112019004316T5 (de) Kartenerzeugungssystem, server, fahrzeugseitige vorrichtung, verfahren und speichermedium
DE112019004323T5 (de) Fahrzeugseitige vorrichtung, verfahren und speichermedium
CN102208036B (zh) 车辆位置检测系统
DE112019004352T5 (de) Kartensystem, fahrzeugseitige vorrichtung, verfahren und speichermedium
DE112020004931T5 (de) Systeme und verfahren zur bestimmung der verkehrssicherheit
DE102017114471A1 (de) Fahrzeugsteuerungsvorrichtung
DE112020003897T5 (de) Systeme und verfahren zur überwachung von fahrspurüberlastung
US11912286B2 (en) Driving risk identification model calibration method and system
DE112019004287T5 (de) Fahrzeugseitige vorrichtung, server, verfahren und speichermedium
CN102222236A (zh) 图像处理系统及位置测量系统
CN100454352C (zh) 道路模型化方法及基于该方法的车道标志识别方法
EP2746725A2 (de) Verfahren und Steuervorrichtung zum Bereitstellen eines vorausliegenden Straßenverlaufs
CN111731242A (zh) 自动紧急制动方法、装置和车辆
CN113147733B (zh) 雨雾沙尘天气汽车智能限速系统及方法
DE102020100941A1 (de) System und verfahren zum steuern eines autonomen fahrzeugs
CN111325187B (zh) 一种车道位置的识别方法及装置
DE112022000380T5 (de) Systeme und verfahren zur einheitlichen geschwindigkeitskartierung und navigation
CN116434523A (zh) 信息感知场景下基于约束度的车辆主动安全管控方法及装置
CN108711298B (zh) 一种混合现实道路显示方法
CN113748448A (zh) 基于车辆的虚拟停止线和让行线检测
DE112021003340T5 (de) Hindernisinformationsverwaltungsvorrichtung,hindernisinformationsverwaltungsverfahren und vorrichtung für ein fahrzeug
CN114820819B (zh) 快速路自动驾驶方法及系统

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