CN115071719A - 在周围环境模型中的行驶过程预估 - Google Patents
在周围环境模型中的行驶过程预估 Download PDFInfo
- Publication number
- CN115071719A CN115071719A CN202210177474.8A CN202210177474A CN115071719A CN 115071719 A CN115071719 A CN 115071719A CN 202210177474 A CN202210177474 A CN 202210177474A CN 115071719 A CN115071719 A CN 115071719A
- Authority
- CN
- China
- Prior art keywords
- grid
- path
- recognition result
- road
- preparation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000003321 amplification Effects 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims 7
- 238000010586 diagram Methods 0.000 description 15
- 101150064138 MAP1 gene Proteins 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
-
- 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
-
- 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
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3844—Data obtained from position sensors only, e.g. from inertial navigation
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
-
- 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
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo or light sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- B60W2420/408—
Abstract
本发明涉及一种用于建立道路模型的方法,所述方法用于规划本车轨迹,所述方法具有以下步骤:借助至少一个周围环境采集传感器采集(S1)车辆周围环境;在车辆周围环境中识别(S2)目标物体;生成(S3)具有多个网格单元格(1a、1b)的网格图(1);在网格图(1)中输入(S4)识别结果,其中,在输入前放大(V)识别结果;确定(S5)穿过网格图(1)的、仅由未占用网格单元格(1a)组成的至少一个路径(P1、P2);逐步扫描(S6)至少一个路径(P1、P2),其中,在与路径(P1、P2)扫描方向正交的两侧确定出识别结果;将沿至少一个路径(P1、P2)的识别结果分配(S7)给道路边界(Sb);基于先前所确定的信息建立(S8)道路模型。
Description
技术领域
本发明涉及一种在周围环境模型中的行驶过程预估。
背景技术
支持驾驶员完成其驾驶任务的驾驶员辅助系统被广泛使用。
为此,使用雷达传感器、激光雷达传感器、超声波传感器和摄像机传感器对车辆周围环境进行采集。采集到的数据优选在周围环境模型中加以综合。周围环境模型能以空间部分区域形式分段显示车辆周围环境,这类部分区域也称为(周围环境)网格的单元格。在周围环境模型中,优选为单个网格单元格分配一个或多个属性,例如未占用、被占用、可通行、静态障碍等,或单元格的状态可根据一个或多个概率描述为例如未占用或被占用、可通行和不可通行。
周围环境分析的重要部分是对道路走向的判断。为判断道路及其界限,当前的雷达系统将其传感器数据划分为静态识别和动态识别。
静态识别要么被组合成较大的集群(累积)并被追踪(被跟踪),要么被输入到网格(具有网格单元格的周围环境模型,被占用网格)中。对道路的识别,必须在数据中辨别出道路左侧和右侧或左右道路边界。为此,尝试辨别特别显著的点,并使用复杂算法将其分类为属于左侧道路边界的点和属于右侧道路边界的点。
这些点优选使用卡尔曼滤波器(或任一其他近似方法)转换成用于例如根据回旋曲线模型等描述道路走向的模型。
在此,所用模型的区别在于分离的道路边缘(道路左右边缘可有完全不同的走向)或相关的道路边缘(左右边缘表现相同,只是彼此之间距离不同)。
上述方法(及其常见的变型方案)应被改进,尤其是:
·道路边缘左侧和右侧的分离很复杂,局部不准确,尤其是容易出错,
·“显著的点”尽管显著,但通常并不代表道路边界/可行驶区域边界,而只代表反射特别好的静态目标物体(例如护栏、建筑物墙壁、院子围栏等)。实际车道边界通常却比所提取的显著点更近,
·十字路口、分支路口、出口、拓宽区域等无法被识别并导致不正确的道路边界,
·用于描述道路边缘的数学模型限制性太强,仅能在高速公路上使用,
·或所用模型过于灵活,往往只能反映出较短部分或单侧道路边缘,
·当前的方法仅限于如高速公路等简单的周围环境,在城市环境中运作效果不佳。
发明内容
因此,本发明的目的是根据传感器数据建立道路模型,该模型提供足够的信息,能以改进的方式映射所有与此相关的(行驶)功能。
力争尤其是对具各种不同的应用领域,尤其是城市区域中使用的紧急制动辅助系统(EBA)进行的改进。然而,这并不代表对下面的可用于所有可想象的行驶功能和操控的本发明应用领域的限制。
本发明的基本观点是,道路必须为汽车的行驶提供足够的空间。即,最终产生的行驶通路(车辆实际车道)需要最小宽度(例如2.5米的),以供汽车的行驶。
为此,本发明提出一种用于建立规划本车轨迹的道路模型的方法,所述方法具有以下步骤:
-借助至少一个周围环境采集传感器采集车辆周围环境;
-在车辆周围环境中识别目标物体;
-生成具有大量网格单元格的网格图;
-在网格图中输入识别结果,其中,在输入前放大该识别结果;
-确定穿过网格图的仅由未占用网格单元格组成的至少一个路径;
-逐步扫描至少一个路径,其中,在与路径扫描方向正交的两侧确定出识别结果;
-将沿至少一个路径的识别结果分配给/归入道路边界;
-基于先前所确定的信息建立道路模型。
上述方法优选使用至少一个雷达传感器,可很容易地扩展到除雷达传感器之外的其他传感器类型。可很容易地以相同方式将摄像机识别,甚至地图数据融入网格中,甚至将其用于扩展的评分/加权。为此,可极简单却高效地进行传感器数据的融合。
在此,为建立网格或场地网格,(雷达)识别结果不像通常那样直接在网格(被占用网格)中进行输入。相反,所有识别结果都被放大。除了雷达识别外,还可在网格中输入其他数据。由此得出的优点是,针对所有不同传感器数据,可在网格中对需保持的距离进行不同的建模。这样,例如左侧路缘石可向右扩大1米(以获得相应的行驶通路宽度),并且向左扩大5米,以确保不允许在路缘石后有未占用的行驶通路。
通过使用场地网格,现在尤其可查找穿过网格图的简单路径。在此,查找至少一个仅由未占用单元格构成的路径。(通过在网格中的特殊输入)这是汽车能通过的足够宽的至少一个路径。
路径的查找取决于具体情形地实施,尤其可对优选路径(及最终的道路走向)进行个性化的精密加权。作为扩展,还可考虑带有各个被占用单元格的、可被评定为错误识别结果或不可行驶的路径。
此外,在所述方法中扫描路径的步骤也是有益的。这意味着,以可预先规定的固定距离(例如每2米)与路径走向正交地向左和向右扫描,直至在传感器数据中遇到识别结果。该点尤其表示道路边缘的一部分。如果没有遇到识别结果,则例如可基于其他识别结果做出预估,这种情况出现的概率非常低。一方面,该方法能极为可靠地区分道路左侧边缘的或道路右侧边缘的识别结果。另一方面,它还可选择更好的显著点,这是因为由此找到的点不必只对应于(在强反射/雷达测量的意义上)“良好的”识别结果,而是特征在于,将可行驶区域与不可行驶区域分开。作为正交扫描的替代选择,也可在另一规定方向(例如y方向)上进行扫描。各个点/识别结果可根据其强度、相关集群的大小以及传感器分类进行加权并部分移动到位置。这样,例如属于路缘石并被摄像机传感器采集到的点可被极高加权,而属于非常弱的雷达集群(识别结果)的点可被极低加权。
由此,先前找到的点可用于提供道路边缘。为此,可使用近似方法(例如加权线性最小二乘法)或跟踪方法(例如卡尔曼滤波器),借助点对道路走向进行预估。此外,网格中的识别结果的强度或大小也可用作加权。
优另外的优选步骤中,提供至少一个行驶功能的道路模型/针对至少一个行驶功能提供道路模型。
此外,网格图尤其是优选每个网格单元格至少0.5米的网格分辨率。
在另一有益的设计方案中预先规定,为至少一个确定的路径预先规定最小宽度。
特别优选的是,识别结果被放大一定量值,该量值相当于路径最小宽度和网格分辨率之间差值的至少一半。这种放大是有益的,因为由此针对未占用网格单元格可直接推导出汽车匹配未占用区域。下面使用示例进行更详细的解释。
例如,网格分辨率是例如0.5米(G)(即网格单元格表示在车辆周围环境中具有该尺寸的区域),并且假设的/查找的行驶通路宽度例如为2.5米(B_F)。车辆周围环境中所有目标物体的识别结果现在被放大了(B_F-G)/2(例如:(2.5米-0.5米)/2=1米)。所述放大发生在优选的空间方向,或作为替代选择发生在所有空间方向。如果现在该数字示例中,目标物体处于y=-1米处,则该目标物体占据直至0米(-1米+1米=0米)或直至-2米的单元格(放大了1米)。另一目标物体在y=+1.5米处占据0.5米(1.5米-1米=0.5)或2.5米的单元格。在2.5米的目标物体距离时,保证单元格(从0米到0.5米)还未占用。
在另一优选设计方案中,在特定空间方向或所有空间方向实施识别结果的放大。
此外,特别是,识别结果的放大优选对每个空间方向是不同的。例如,背离车辆一侧的放大可小于面向车辆一侧的放大或小于与车辆可能行驶轨迹直接相邻区域的放大。
通常,在输入前对识别结果进行放大有益的是,被假定为前提条件的最小宽度已被输入到网格(被占用网格)本身。因此,未占用单元格总是发出信号,表示假定的宽度的车辆适合通过那里。与简单输入目标物体相反,不必再检查相邻单元格是否未被占用以及是否有足够的位置。
虽然在网格中输入目标物体时(通过放大目标物体)计算工作量略微增大,但却省却了对每个单元格必须单独进行的、以及在查找路径时必须执行的是否有足够宽度的检查工作量。
作为在输入时进行加宽的替代选择的是,网格中被占用单元格也可在输入到网格后进行加宽。
在另一特别优选的实施方式中,预先计算多个、但至少两个假设路径,其中,这些路径基于可规定的特征加权。针对这些假设中的每个假设,可以有益的方式准确给出必须相应检查哪些单元格的占用情况。即,对是否可实现穿过网格的(与假设相对应的)路径(并进而实现穿过传感器识别的道路走向)的计算被简化为网格中的读取的数据访问。
通常用于路径查找的算法可查找大量可能的路径,尽管进行了大量优化,但计算工作量依然非常大。通过限制到预先计算的假设,能以有益的方式明显降低复杂性,并限制到查找相关路径。由此可明显减少计算工作量。
假设不必(如最先进的方法那样)与特定的函数分类相对应,而是不同函数分类结果的混合,也可由未占用路径组成。由此例如多项式可与弧线、样条曲线等组合在一起,所有这些都一起纳入假设总量中。
所使用的功能和分类可根据ODD(英文:Operational Domain,中文:运行域,例如高速公路、州县公路、城市)进行选择,或仅限于某些功能和类别,以减少计算工作量。在高速公路上不可能突然90度转弯,但在城市中却会出现这种情形。对每种假设,确定大致与其理论概率相对应的分数(例如笔直的道路走向比急转弯道路走向的概率更大)。
如果检查路径是否引导穿过网格,则还会检查该路径延伸多远或该路径何时遇到障碍。该长度给出进一步的加权,它与假设(即所测试路径)的基本分数一起得出整体概率。为了时间稳定,上次穿过的路径也被附加地在网格中输入到单独的数据栏目中(也可额外对相邻单元格相应标记)。通过该单元格的路径会获得额外的分数。因此,在当前查找中,与前一路径相似的路径有更好的评分。由此实现了时间上的稳定。
由此建立的路径可直接用作“行驶通道”或用作车辆的潜在轨迹。
根据本发明,还为车辆规定了一种设计用于实施根据权利要求1至8所述方法的计算机程序产品。
为有助于此也可采用更多或更少的步骤。这些步骤可单一进行进一步的优化和/或修改。此外,这些步骤也可分别单独实施或与其他提到或未提到的步骤结合实施。例如,步骤2和3分别根据应用为子问题提供解决方案,这些解决方案无需其余步骤即可提供可观的附加值。
附图说明
其他有益的设计方案和实施方式是附图的主题。其中:
图1示出根据本发明实施方式的网格示意图;
图2示出多个假设路径的示意图;
图3示出根据本发明实施方式的带多个路径的另一网格示意图;
图4示出根据本发明实施方式的带道路边界的另一网格示意图;
图5示出选择假设路径的示意图;
图6示出根据本发明实施方式的道路模型示意图;
图7示出根据本发明实施方式的方法的示意过程图。
具体实施方式
图1展示的是根据本发明实施方式的网格1示意图。在此,该网格1或网格图1由未占用网格单元格1a和被占用网格单元格1b组成。作为被占用网格单元格1b被显示出的识别结果在输入到网格图时被放大。与此相应,一些网格单元格未被直接占用,但在放大V时被采集。通过对输入进行放大V可确保,未占用网格单元格1a代表了足够宽的区域,从而使车辆能毫无问题地通过。
图2展示的是多个假设路径Pn的示意图。这里所示的假设路径Pn–Pn+1可先在系统中计算,以便在稍后的时间点选择只经由未占用网格单元格1a穿过网络图1的路径Pn。
图3展示的是根据本发明实施方式的具有多个路径的网格1的另一示意图。在该图中,放大V用于扩展被占用网格单元格1b。现已将图2所示预先计算的假设路径Pn–Pn+1输入到网格图1中。现在选择没被占用网格单元格1b(考虑到放大V)阻塞的路径P1和P2。这两个路径P1和P2仅通过未占用网格单元格1a穿过网格图1。剩余的路径Pn被占用网格单元格1b阻塞。
图4展示的是根据本发明实施方式的具有道路边界Sb的网格1的另一示意图。在该图示中,已选择路径P1。沿着该路径P1,在与路径P1出发方向正交的方向上以规定间隔扫描该路径。通过扫描确定出可归入沿车道的识别结果的点。然后将这些点归类为道路边界Sb。
图5展示的是选择假设路径的示意图。该图基本上与图3中路径的选择相对应。路径P1和P2基于穿过网格图1的路线加以选择。
图6展示的是根据本发明实施方式的道路模型示意图。在该道路模型中,选择仅穿过未占用网格单元格1a(此处未展示)的路径P1。此外,还展示了基本上描述道路边缘走向的道路边界Sb的点。该道路模型例如可提供给驾驶员辅助系统。
图7展示的是根据本发明实施方式的方法的流程示意图。在步骤S1中,借助至少一个周围环境采集传感器来采集车辆周围环境。在步骤S2中,识别车辆周围环境中的目标物体。在此,所述目标物体例如从摄像机图像或基于雷达识别来确定。在步骤S3中,生成具有多个网格单元格1a、1b的网格图1。在步骤S4中,识别结果被输入到网格图1中,其中,识别结果在输入前被放大。因此,识别结果本身作为被占用网格单元格1b输入网格图1,此外,可特定的量值作为放大量V被输入所述网格图中。在另一步骤S5中,确定穿过网格图1的至少一个仅由未占用网格单元格1a组成的路径。此外,在步骤S6中,对至少一个路径逐步扫描,其中,在与路径扫描方向正交的两侧确定出识别结果。在步骤S7中,将沿至少一个路径的识别结果归入给道路边界Sb。最后,在步骤S8中,可基于先前所确定信息建立道路模型。然后,所述道路模型包括仅穿过未占用网格单元格1a的所选路径,以及基于扫描结果的道路边界走向。以此方式确保,所选路径对本车具有足够宽度。
附图标记列表:
1 网格图
1a 未占用网格单元格
1b 被占用网格单元格
Pn-Pn+1 假设路径
P1、P2 所选路径
Sb 道路边界
S1至S8 方法步骤
V 放大
Claims (9)
1.一种用于建立道路模型的方法,所述方法用于规划本车轨迹,所述方法具有以下步骤:
-借助至少一个周围环境采集传感器采集(S1)车辆周围环境;
-在车辆周围环境中识别(S2)目标物体;
-生成(S3)具有多个网格单元格(1a、1b)的网格图(1);
-在网格图(1)中输入(S4)识别结果,其中,在输入前放大(V)识别结果;
-确定(S5)穿过网格图(1)的、仅由未占用网格单元格(1a)组成的至少一个路径(P1、P2);
-逐步扫描(S6)至少一个路径(P1、P2),其中,在与路径(P1、P2)扫描方向正交的两侧确定出识别结果;
-将沿至少一个路径(P1、P2)的识别结果分配(S7)给道路边界(Sb);
-基于先前所确定的信息建立(S8)道路模型。
2.根据权利要求1所述的方法,
其特征在于,
在另外的步骤中,针对至少一个行驶功能提供道路模型。
3.根据前述权利要求中任一项所述的方法,
其特征在于,
网格图(1)具有每个网格单元格至少0.5米的网格分辨率。
4.根据上述权利要求中任一项所述的方法,
其特征在于,
为至少一个确定的路径(P1、P2)预先规定最小宽度。
5.根据权利要求1和4所述的方法,
其特征在于,
以一定量值来放大(V)识别结果,该量值是路径的最小宽度与网格(1)分辨率之间差值的至少一半。
6.根据权利要求1所述的方法,
其特征在于,
在特定空间方向或所有空间方向上进行识别结果的放大(V)。
7.根据权利要求6所述的方法,
其特征在于,
识别结果的放大(V)对每个空间方向是不同的。
8.根据权利要求1所述的方法,
其特征在于,
预先计算多个、至少两个假设路径(Pn-Pn+1),其中,这些路径(Pn-Pn+1)基于能规定的特征进行加权。
9.一种用于车辆的计算机程序产品,所述计算机程序产品设计用于执行根据权利要求1至8所述的方法。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021202571.4 | 2021-03-16 | ||
DE102021202571 | 2021-03-16 | ||
DE102021203809.3A DE102021203809B4 (de) | 2021-03-16 | 2021-04-16 | Fahrverlaufsschätzung in einem Umfeldmodel |
DE102021203809.3 | 2021-04-16 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115071719A true CN115071719A (zh) | 2022-09-20 |
Family
ID=83114830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210177474.8A Pending CN115071719A (zh) | 2021-03-16 | 2022-02-25 | 在周围环境模型中的行驶过程预估 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220299339A1 (zh) |
JP (1) | JP7359830B2 (zh) |
CN (1) | CN115071719A (zh) |
DE (1) | DE102021203809B4 (zh) |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2894367B1 (fr) * | 2005-12-07 | 2008-02-29 | Thales Sa | Procede de determination du profil horizontal d'un plan de vol respectant un profil de vol vertical impose |
WO2008013568A2 (en) * | 2005-12-30 | 2008-01-31 | Irobot Corporation | Autonomous mobile robot |
JP5332034B2 (ja) * | 2008-09-22 | 2013-11-06 | 株式会社小松製作所 | 無人車両の走行経路生成方法 |
JP5531474B2 (ja) * | 2008-12-12 | 2014-06-25 | 株式会社豊田中央研究所 | 地図生成装置、走路推定装置、移動可能領域推定装置、及びプログラム |
JP2011145743A (ja) * | 2010-01-12 | 2011-07-28 | Ihi Aerospace Co Ltd | 自律移動ロボットシステム |
CN102359784B (zh) * | 2011-08-01 | 2013-07-24 | 东北大学 | 一种室内移动机器人自主导航避障系统及方法 |
EP2574958B1 (en) * | 2011-09-28 | 2017-02-22 | Honda Research Institute Europe GmbH | Road-terrain detection method and system for driver assistance systems |
JP5820774B2 (ja) * | 2012-06-21 | 2015-11-24 | 株式会社豊田中央研究所 | 路面境界推定装置及びプログラム |
CN107438754A (zh) * | 2015-02-10 | 2017-12-05 | 御眼视觉技术有限公司 | 用于自主车辆导航的稀疏地图 |
DE102016200642A1 (de) | 2016-01-19 | 2017-07-20 | Conti Temic Microelectronic Gmbh | Verfahren und vorrichtung zum klassifizieren von fahrbahnbegrenzungen und fahrzeug |
DE102017208509A1 (de) | 2017-05-19 | 2018-11-22 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Erzeugen eines Straßenmodells während einer Fahrt eines Kraftfahrzeugs sowie Steuervorrichtung und Kraftfahrzeug |
CN107480638B (zh) * | 2017-08-16 | 2020-06-30 | 北京京东尚科信息技术有限公司 | 车辆避障方法、控制器、装置和车辆 |
US20210116930A1 (en) * | 2018-02-28 | 2021-04-22 | Sony Corporation | Information processing apparatus, information processing method, program, and mobile object |
KR102466940B1 (ko) * | 2018-04-05 | 2022-11-14 | 한국전자통신연구원 | 로봇 주행용 위상 지도 생성 장치 및 방법 |
US10564643B2 (en) * | 2018-05-31 | 2020-02-18 | Nissan North America, Inc. | Time-warping for autonomous driving simulation |
DE102018123896A1 (de) | 2018-06-25 | 2020-01-02 | Trw Automotive Gmbh | Verfahren zum Betreiben eines wenigstens teilweise automatisierten Fahrzeugs |
CN109946715B (zh) * | 2019-04-09 | 2021-06-25 | 云鲸智能科技(东莞)有限公司 | 探测方法、装置、移动机器人及存储介质 |
US20220343241A1 (en) * | 2019-06-21 | 2022-10-27 | Intel Corporation | Technologies for enabling collective perception in vehicular networks |
DE102019213927A1 (de) | 2019-09-12 | 2021-03-18 | Zf Friedrichshafen Ag | Grid-basierte Leitpfosten-Klassifizierung |
CN114424265A (zh) * | 2019-09-25 | 2022-04-29 | 索尼集团公司 | 信号处理设备、信号处理方法、程序和移动设备 |
US11493925B2 (en) * | 2020-03-05 | 2022-11-08 | Locus Robotics Corp. | Robot obstacle collision prediction and avoidance |
WO2021194590A1 (en) * | 2020-03-25 | 2021-09-30 | Intel Corporation | Dynamic contextual road occupancy map perception for vulnerable road user safety in intelligent transportation systems |
US20220163335A1 (en) * | 2020-11-24 | 2022-05-26 | Here Global B.V. | Method, apparatus, and system for computing a spatial footprint index |
-
2021
- 2021-04-16 DE DE102021203809.3A patent/DE102021203809B4/de active Active
- 2021-12-15 JP JP2021203046A patent/JP7359830B2/ja active Active
-
2022
- 2022-02-25 CN CN202210177474.8A patent/CN115071719A/zh active Pending
- 2022-03-16 US US17/655,144 patent/US20220299339A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102021203809B4 (de) | 2023-05-04 |
JP2022142728A (ja) | 2022-09-30 |
DE102021203809A1 (de) | 2022-09-22 |
US20220299339A1 (en) | 2022-09-22 |
JP7359830B2 (ja) | 2023-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3673407B1 (en) | Automatic occlusion detection in road network data | |
JP6401140B2 (ja) | 交差点の構造の接合確率モデリング及び推定 | |
CN103026396B (zh) | 驾驶辅助装置 | |
US8558679B2 (en) | Method of analyzing the surroundings of a vehicle | |
JP6800575B2 (ja) | 自己の乗り物のドライバを支援する方法およびシステム | |
US20160321926A1 (en) | Method for identifying parking areas and/or free spaces-- | |
JP6492469B2 (ja) | 自車走行レーン推定装置及びプログラム | |
CN101097153A (zh) | 导航装置 | |
CN101159014A (zh) | 在图像中识别对象的方法和图像识别设备 | |
RU2757038C2 (ru) | Способ и система для предсказания будущего события в беспилотном автомобиле (sdc) | |
JP6171499B2 (ja) | 危険度判定装置及び危険度判定方法 | |
CN113635894A (zh) | 用于确定可行驶区域的方法 | |
JP6003585B2 (ja) | 交差点検出方法および交差点検出システム | |
Dey et al. | Robust perception architecture design for automotive cyber-physical systems | |
Trogh et al. | Map matching and lane detection based on Markovian behavior, GIS, and IMU data | |
KR20210077043A (ko) | 주행 차로 판단 장치 및 그의 주행 차로 판단 방법 | |
CN115071719A (zh) | 在周围环境模型中的行驶过程预估 | |
CN114407919B (zh) | 一种基于自动驾驶的碰撞检测方法及系统 | |
EP4184479A1 (en) | Information processing device | |
JP2008298475A (ja) | 車両走行支援装置 | |
CN115195773A (zh) | 用于控制车辆驾驶的装置和方法及记录介质 | |
JP2008310758A (ja) | 車両走行支援装置 | |
DE102019213403A1 (de) | Verfahren zur sensorbasierten Lokalisation eines Egofahrzeuges, Egofahrzeug und ein Computerprogramm | |
Burlet et al. | Grid-based localization and online mapping with moving object detection and tracking | |
JP2006178694A (ja) | 道路標識画像構成線分候補の検出方法及び道路標識画像構成線分候補を検出可能なプログラム |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240412 Address after: Ingolstadt, Germany Applicant after: Continental Zhixing Germany Co.,Ltd. Country or region after: Germany Address before: Nuremberg, Germany Applicant before: CONTI TEMIC MICROELECTRONIC GmbH Country or region before: Germany |