CN115027464A - 一种基于方向包围盒的自动驾驶碰撞检测方法 - Google Patents
一种基于方向包围盒的自动驾驶碰撞检测方法 Download PDFInfo
- Publication number
- CN115027464A CN115027464A CN202210904044.1A CN202210904044A CN115027464A CN 115027464 A CN115027464 A CN 115027464A CN 202210904044 A CN202210904044 A CN 202210904044A CN 115027464 A CN115027464 A CN 115027464A
- Authority
- CN
- China
- Prior art keywords
- collision
- vehicle
- obstacle
- bounding box
- analysis
- 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
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
- 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
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
Abstract
本发明公开了一种基于方向包围盒的自动驾驶碰撞检测方法,涉及自动驾驶技术领域,首先,从车辆感知系统中实时获取相对可靠的障碍物包围盒(OBB)数据;其次,从车辆轨迹规划模块,获取已经规划好的候选轨迹并离散,对每个离散点,创建车辆OBB包围盒;再次,初步计算车辆中心与障碍物中心的距离,明确二者是否绝对安全(不会发生碰撞);最后,对有碰撞可能的障碍物与车辆做分离轴测试,判断是否发生碰撞,并根据二者的最短距离,计算碰撞风险,为无人驾驶系统做下一步的决策,本发明通过对动态障碍物与静态障碍物碰撞分析,提高了自动驾驶车辆与周围环境的适应性、安全性与准确性。
Description
技术领域
本发明属于无人驾驶汽车技术领域,具体涉及一种基于方向包围盒的自动驾驶碰撞检测方法。
背景技术
在自动驾驶领域,最核心的模块之一就是轨迹规划,其中包括车辆与障碍物的碰撞检测。传统的碰撞检测方法中,通常用质点或车辆外接圆表示车辆,用AABB包围盒或OBB包围盒表示障碍物,然后直接使用分离轴定理判断车辆与障碍物是否碰撞。而对于环境中的障碍物,无论时运动的物体或静态的物体,无论远处的障碍物还是近处的障碍物,都直接进行了碰撞分析。这样虽然可以判断出车辆轨迹与周围环境中的障碍物是否发生碰撞,但计算方法较为粗糙,存在错误检测的情况,这会导致原本宏观上存在可行的轨迹变为不可通行。
包围盒碰撞检测方法是一种基于真实环境空间的检测方法,在几何空间上可描述为:若两个包围盒之间,存在一条直线/平面,能够将二者分开,则两个包围盒没有相交。为了兼顾碰撞检测的速度与精度,有研究者把AABB包围盒与OBB包围盒结合使用,但一旦使用了AABB包围盒,就不可避免地降低了物体包围盒的精度。
根据运动情况,障碍物分为静态障碍物与动态障碍物。静态障碍物的碰撞检测相对简单,动态障碍物由于在空间上的位置是变化的,若直接将动态障碍物以静态形式处理,碰撞检测的准确性将更低。对于自动驾驶而言,障碍物较少的简单环境、低速行驶的情况下,可以满足要求,但对于障碍物较多的复杂环境,就会导致车辆无法通行甚至存在安全隐患。
发明内容
本发明的目的在于提供一种基于方向包围盒的自动驾驶碰撞检测方法,以解决现有技术中导致的上述缺陷。
一种基于方向包围盒的自动驾驶碰撞检测方法,包括如下步骤:
S1.环境感知与融合及坐标统一与转换
从车辆感知系统中实时获取相对可靠的障碍物OBB包围盒数据,从车辆轨迹规划模块,获取已经规划好的候选轨迹并离散,对每个离散点,创建车辆OBB包围盒,将车辆与障碍物统一到世界坐标系;
S2.车辆与障碍物碰撞预分析
对于车辆方向包围盒与障碍物方向包围盒,当两个方向包围盒的中心距离与各自最小外接圆半径的比较,大于安全阈值时,则认为两个方向包围盒不会发生碰撞,绝对安全;反之,需要进行精确碰撞分析,计算如下:
S3.精确碰撞分析
将车辆方向包围盒以及行人方向包围盒的每条边对每个轴的法向量做投影计算,若两个多边形的投影区间没有交叠,则表明则表明两个包围盒在该轴法向量上的测试为分离,且最小距离为Lmin,i;若两个多边形的投影区间有交叠,则表明两个包围盒在该轴法向量上的测试为相交;
对多边形的每一条边,都做相同的碰撞分析,只要存在一条边的测试为分离时,则说明两个包围盒未发生碰撞,且最小距离是{Lmin,i}集合的最小值Lmin;
S4.碰撞风险计算
当计算出了两个包围盒的最小距离,可以根据距离评价两个包围盒的碰撞风险:最小距离越近,碰撞风险越大,最小距离越远,碰撞风险越小,即碰撞距离与碰撞风险呈反比相关,具体地,用如下关系表示:
优选的,所述车辆与障碍物碰撞精确分析,包括对静态障碍物的碰撞检测分析与动态障碍物的碰撞检测分析。
优选的,所述静态障碍物碰撞分析的方法是:对候选轨迹,按照等时间间隔T离散后的车辆包围盒的集合为{{OBB车,t},t=0,T,2T,3T,...,静态障碍物包围盒的集合为{OBB障碍物,i},i=0,1,2,3,...;对车辆包围盒与静态障碍物包围盒两两碰撞分析,只要存在一个静态障碍物与车辆包围盒发生碰撞,则说明该条候选轨迹会发生碰撞;若所有的静态障碍物包围盒与车辆包围盒未发生碰撞,则说明该条候选轨迹不会发生碰撞,且该条轨迹的碰撞风险为碰撞风险集合{collision_riski},i=0,1,2,3,...中的最大值。
优选的,所述动态障碍物碰撞分析的方法是:对候选轨迹,按照等时间间隔T离散后的车辆包围盒的集合为{{OBB车,t},t=0,T,2T,3T,...,动态障碍物的预测包围盒的集合为{OBB障碍物,i,t},i=0,1,2,3,...,t=0,T,2T,3T,...;对车辆包围盒与动态碍物包围盒两两碰撞分析,只要存在一个动态障碍物与车辆包围盒发生碰撞,则说明该条候选轨迹会发生碰撞;若所有的动态障碍物包围盒与车辆包围盒未发生碰撞,则说明该条候选轨迹不会发生碰撞,且该条轨迹的碰撞风险为碰撞风险集合{collision_riski},i=0,1,2,3,...中的最大值。
优选的,计算了动态障碍物与静态障碍物的最大碰撞风险后,取动态分析与静态分析的最大风险值为候选轨迹与障碍物集合的最大碰撞风险值;该最大碰撞风险值,用于自动驾驶轨迹规划与决策模块对于环境中障碍物的评估,做出合理的动作。
优选的,所述合理动作包括但不限于减速、避障以及停车。
本发明的优点在于:
1.通过车辆方向包围盒OBB与障碍物方向包围盒OBB的中心距离与二者最小外接圆半径比较,快速预判断碰撞情况,只对有碰撞风险的障碍物做精确分析,加快了碰撞检测的速度。
2.对复杂的障碍物,采用多边形的形式描述障碍物轮廓,对车辆OBB与障碍物OBB,并用投影的方法对包围盒各个轴做碰撞检测,提高了碰撞分析的精度,不仅能计算出两个包围盒是否碰撞,而且能计算出未碰撞的两个包围盒的最小距离。
3.对静态障碍物与动态障碍物分类检测,对动态障碍物做了轨迹预测,无论是静态障碍物还是动态障碍物,碰撞检测的结果会更精确,进而提升了轨迹规划的精度及自动驾驶系统的安全性。
4.对有风险的障碍物,计算了碰撞风险。障碍物与候选轨迹越近,风险越大;障碍物与候选轨迹越远,风险越小。自动驾驶系统,根据碰撞风险值,做出更加合理的决策与规划,如:减速、避障、停车等。
附图说明
图1为自动驾驶碰撞检测主要流程。
图2为车辆与障碍物的预检测示意图。
图3为车辆与障碍物的精确碰撞检测示意图。
图4为车辆候选轨迹与静态障碍物的碰撞检测示意图。
图5为车辆候选轨迹与动态障碍物的碰撞检测示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
参照图1所示,本发明的一种基于方向包围盒的自动驾驶碰撞检测方法,其特征在于,包括:坐标统一与坐标转换、车辆与障碍物碰撞预分析、车辆与障碍物碰撞精确分析、计算碰撞风险等。其中:
所述坐标统一与坐标转换,其方法是:为了动态障碍物的轨迹预测、候选轨迹的离散及碰撞检测的实施,需要将车辆与障碍物统一到世界坐标系。
进一步地,对车辆的候选轨迹按照等时间间隔进行离散,并计算离散点处车辆的OBB,形成车辆候选轨迹离散点OBB集合。
进一步地,动态障碍物的轨迹预测,可以从(x,y)两个维度进行预测。任意时刻,对障碍物的移动做匀速直线运动处理,即障碍物的中心点位置为:
最后根据不同时刻,形成了动态障碍物OBB的集合。
进一步地,所述车辆与障碍物碰撞预分析,其方法是:参照图2所示,对于车辆OBB与障碍物OBB,当两个OBB的中心距离与各自最小外接圆半径的比较,大于安全阈值时,则认为两个OBB不会发生碰撞,绝对安全;反之,需要进行精确碰撞分析。
进一步地,车辆与障碍物的碰撞预分析的计算如下:
进一步地,所述车辆与障碍物碰撞精确分析,包括对静态障碍物的碰撞检测分析与动态障碍物的碰撞检测分析。
进一步地,精确碰撞分析,其方法是:参照图3所示,以车辆和行人的碰撞检测为例,车辆方向包围盒OBB为四边形ABCD。行人方向包围盒OBB为多边形EFGHI,其目的在于,行人是不规则物体,使用多边形可以更加准确地描述障碍物的轮廓。
进一步地,做精确碰撞分析时,需要两个包围盒的每条边对每个轴的法向量做投影计算。以障碍物EFGHI的EI边为例做详细的碰撞检测说明。与EI边垂直的法向量是多边形ABCD在法向量上的投影点分别是A’,B’,C’,D’,那么该多边形上任意一点在法向量上的投影点将全部在区间[A’,C’]之内;多边形EFGHI在法向量上的投影点分别是E',F',G',H',I',那么该多边形任意一点在法向量上的投影将全部在区间[E’,G’]之内。若两个多边形的投影区间没有交叠,则表明则表明两个包围盒在该轴法向量上的测试为分离(未发生碰撞),且最小距离为Lmin,i;若两个多边形的投影区间有交叠,则表明两个包围盒在该轴法向量上的测试为相交(碰撞)。对多边形的每一条边,都做相同的碰撞分析,只要存在一条边的测试为分离时,则说明两个包围盒未发生碰撞,且最小距离是{Lmin,i}集合的最小值Lmin。
进一步地,当计算出了两个包围盒的最小距离,可以根据距离评价两个包围盒的碰撞风险。最小距离越近,碰撞风险越大,最小距离越远,碰撞风险越小,即碰撞距离与碰撞风险呈反比相关。具体地,可以用如下关系表示:
进一步地,精确碰撞分析,包括静态障碍物碰撞分析与动态障碍物碰撞分析。
静态障碍物碰撞分析,其方法是:参照图4所示,对候选轨迹1,按照等时间间隔T离散后的车辆包围盒的集合为{{OBB车,t},t=0,T,2T,3T,...,静态障碍物包围盒的集合为{OBB障碍物,i},i=0,1,2,3,...。对车辆包围盒与静态障碍物包围盒两两碰撞分析,只要存在一个静态障碍物与车辆包围盒发生碰撞,则说明该条候选轨迹会发生碰撞;若所有的静态障碍物包围盒与车辆包围盒未发生碰撞,则说明该条候选轨迹不会发生碰撞,且该条轨迹的碰撞风险为碰撞风险集合{collision_riski},i=0,1,2,3,...中的最大值。
动态障碍物碰撞分析,其方法是:参照图5所示,对候选轨迹,按照等时间间隔T离散后的车辆包围盒的集合为{{OBB车,t},t=0,T,2T,3T,...,动态障碍物的预测包围盒的集合为{OBB障碍物,i,t},i=0,1,2,3,...,t=0,T,2T,3T,...。对车辆包围盒与动态碍物包围盒两两碰撞分析,只要存在一个动态障碍物与车辆包围盒发生碰撞,则说明该条候选轨迹会发生碰撞;若所有的动态障碍物包围盒与车辆包围盒未发生碰撞,则说明该条候选轨迹不会发生碰撞,且该条轨迹的碰撞风险为碰撞风险集合{collision_riski},i=0,1,2,3,...中的最大值。
进一步地,计算了动态障碍物与静态障碍物的最大碰撞风险后,取动态分析与静态分析的最大风险值为候选轨迹与障碍物集合的最大碰撞风险值。该最大碰撞风险值,用于自动驾驶轨迹规划与决策模块对于环境中障碍物的评估,做出合理的动作,如减速,避障,停车等。
由技术常识可知,本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此,上述公开的实施方案,就各方面而言,都只是举例说明,并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
Claims (6)
1.一种基于方向包围盒的自动驾驶碰撞检测方法,其特征在于,包括如下步骤:
S1.环境感知与融合及坐标统一与转换
从车辆感知系统中实时获取相对可靠的障碍物OBB包围盒数据,从车辆轨迹规划模块,获取已经规划好的候选轨迹并离散,对每个离散点,创建车辆OBB包围盒,将车辆与障碍物统一到世界坐标系;
S2.车辆与障碍物碰撞预分析
对于车辆方向包围盒与障碍物方向包围盒,当两个方向包围盒的中心距离与各自最小外接圆半径的比较,大于安全阈值时,则认为两个方向包围盒不会发生碰撞,绝对安全;反之,需要进行精确碰撞分析,计算如下:
S3.精确碰撞分析
将车辆方向包围盒以及行人方向包围盒的每条边对每个轴的法向量做投影计算,若两个多边形的投影区间没有交叠,则表明则表明两个包围盒在该轴法向量上的测试为分离,且最小距离为Lmin,i;若两个多边形的投影区间有交叠,则表明两个包围盒在该轴法向量上的测试为相交;
对多边形的每一条边,都做相同的碰撞分析,只要存在一条边的测试为分离时,则说明两个包围盒未发生碰撞,且最小距离是{Lmin,i}集合的最小值Lmin;
S4.碰撞风险计算
当计算出了两个包围盒的最小距离,可以根据距离评价两个包围盒的碰撞风险:最小距离越近,碰撞风险越大,最小距离越远,碰撞风险越小,即碰撞距离与碰撞风险呈反比相关,具体地,用如下关系表示:
2.根据权利要求1所述的一种基于方向包围盒的自动驾驶碰撞检测方法,其特征在于,所述车辆与障碍物碰撞精确分析,包括对静态障碍物的碰撞检测分析与动态障碍物的碰撞检测分析。
3.根据权利要求2所述的一种基于方向包围盒的自动驾驶碰撞检测方法,其特征在于,所述静态障碍物碰撞分析的方法是:对候选轨迹,按照等时间间隔T离散后的车辆包围盒的集合为{{OBB车,t},t=0,T,2T,3T,...,静态障碍物包围盒的集合为{OBB障碍物,i},i=0,1,2,3,...;对车辆包围盒与静态障碍物包围盒两两碰撞分析,只要存在一个静态障碍物与车辆包围盒发生碰撞,则说明该条候选轨迹会发生碰撞;若所有的静态障碍物包围盒与车辆包围盒未发生碰撞,则说明该条候选轨迹不会发生碰撞,且该条轨迹的碰撞风险为碰撞风险集合{collision_riski},i=0,1,2,3,...中的最大值。
4.根据权利要求1所述的一种基于方向包围盒的自动驾驶碰撞检测方法,其特征在于,所述动态障碍物碰撞分析的方法是:对候选轨迹,按照等时间间隔T离散后的车辆包围盒的集合为{{OBB车,t},t=0,T,2T,3T,...,动态障碍物的预测包围盒的集合为{OBB障碍物,i,t},i=0,1,2,3,...,t=0,T,2T,3T,...;对车辆包围盒与动态碍物包围盒两两碰撞分析,只要存在一个动态障碍物与车辆包围盒发生碰撞,则说明该条候选轨迹会发生碰撞;若所有的动态障碍物包围盒与车辆包围盒未发生碰撞,则说明该条候选轨迹不会发生碰撞,且该条轨迹的碰撞风险为碰撞风险集合{collision_riski},i=0,1,2,3,...中的最大值。
5.根据权利要求2所述的一种基于方向包围盒的自动驾驶碰撞检测方法,其特征在于,计算了动态障碍物与静态障碍物的最大碰撞风险后,取动态分析与静态分析的最大风险值为候选轨迹与障碍物集合的最大碰撞风险值;该最大碰撞风险值,用于自动驾驶轨迹规划与决策模块对于环境中障碍物的评估,做出合理的动作。
6.根据权利要求3所述的一种基于方向包围盒的自动驾驶碰撞检测方法,其特征在于,所述合理动作包括但不限于减速、避障以及停车。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210904044.1A CN115027464A (zh) | 2022-07-29 | 2022-07-29 | 一种基于方向包围盒的自动驾驶碰撞检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210904044.1A CN115027464A (zh) | 2022-07-29 | 2022-07-29 | 一种基于方向包围盒的自动驾驶碰撞检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115027464A true CN115027464A (zh) | 2022-09-09 |
Family
ID=83130453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210904044.1A Pending CN115027464A (zh) | 2022-07-29 | 2022-07-29 | 一种基于方向包围盒的自动驾驶碰撞检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115027464A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115230694A (zh) * | 2022-09-20 | 2022-10-25 | 毫末智行科技有限公司 | 自动驾驶车辆的障碍物识别方法、装置及车辆 |
CN115237928A (zh) * | 2022-09-26 | 2022-10-25 | 北京理工大学 | 一种基于轨迹基元分割的高效碰撞检测方法及系统 |
CN115320583A (zh) * | 2022-10-09 | 2022-11-11 | 小米汽车科技有限公司 | 目标障碍车确定方法、装置、车辆及介质 |
CN115837921A (zh) * | 2023-02-23 | 2023-03-24 | 深圳佑驾创新科技有限公司 | 车辆轨迹碰撞检测方法、装置、设备及存储介质 |
CN117719500A (zh) * | 2024-02-07 | 2024-03-19 | 北京易控智驾科技有限公司 | 车辆碰撞检测方法、装置、电子设备及存储介质 |
-
2022
- 2022-07-29 CN CN202210904044.1A patent/CN115027464A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115230694A (zh) * | 2022-09-20 | 2022-10-25 | 毫末智行科技有限公司 | 自动驾驶车辆的障碍物识别方法、装置及车辆 |
CN115237928A (zh) * | 2022-09-26 | 2022-10-25 | 北京理工大学 | 一种基于轨迹基元分割的高效碰撞检测方法及系统 |
CN115237928B (zh) * | 2022-09-26 | 2022-12-06 | 北京理工大学 | 一种基于轨迹基元分割的高效碰撞检测方法及系统 |
CN115320583A (zh) * | 2022-10-09 | 2022-11-11 | 小米汽车科技有限公司 | 目标障碍车确定方法、装置、车辆及介质 |
CN115837921A (zh) * | 2023-02-23 | 2023-03-24 | 深圳佑驾创新科技有限公司 | 车辆轨迹碰撞检测方法、装置、设备及存储介质 |
CN117719500A (zh) * | 2024-02-07 | 2024-03-19 | 北京易控智驾科技有限公司 | 车辆碰撞检测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115027464A (zh) | 一种基于方向包围盒的自动驾驶碰撞检测方法 | |
US20190155291A1 (en) | Methods and systems for automated driving system simulation, validation, and implementation | |
US20170364083A1 (en) | Local trajectory planning method and apparatus for smart vehicles | |
JP2018152056A (ja) | 視界に制限のある交差点への接近のためのリスクベースの運転者支援 | |
Belbachir et al. | Simulation-driven validation of advanced driving-assistance systems | |
US11745764B2 (en) | Method and system for operating an autonomous agent with incomplete environmental information | |
CN113190921B (zh) | 用于智能汽车驾乘性能测试的自动评价方法及系统 | |
Yu et al. | Risk assessment and planning with bidirectional reachability for autonomous driving | |
Lee et al. | Collision risk assessment for possible collision vehicle in occluded area based on precise map | |
CN112577506A (zh) | 一种自动驾驶局部路径规划方法和系统 | |
CN116872921A (zh) | 一种车辆规避风险方法、系统、车辆及存储介质 | |
CN116135640A (zh) | 一种车辆防碰撞预警方法、系统及车辆 | |
US20230256991A1 (en) | Method and system for conditional operation of an autonomous agent | |
CN109933945B (zh) | 交通环境建模方法 | |
CN114475656A (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
US20220383736A1 (en) | Method for estimating coverage of the area of traffic scenarios | |
CN115257728B (zh) | 一种用于自动驾驶的盲区风险区检测方法 | |
CN114896820A (zh) | 基于虚拟场景的汽车列车行驶通过性及性能分析预测方法 | |
CN115107806A (zh) | 一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法 | |
CN111886167A (zh) | 通过碰撞风险图执行自动驾驶车辆控制 | |
Yoshihira et al. | Developing an autonomous vehicle control system for intersections using obstacle/blind spot detection frames | |
KR20230003060A (ko) | 동적 교통 시나리오들에서의 교통-법-준수 의사 결정 | |
Yeo | Autonomous Driving Technology through Image Classfication and Object Recognition Based on CNN | |
Hermann et al. | Automated Sensor Performance Evaluation of Robot-Guided Vehicles for High Dynamic Tests | |
Cheung et al. | Classifying driver behaviors for autonomous vehicle navigation |
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 |