CN115123291B - 一种基于障碍物识别的行为预测方法及装置 - Google Patents
一种基于障碍物识别的行为预测方法及装置 Download PDFInfo
- Publication number
- CN115123291B CN115123291B CN202210627454.6A CN202210627454A CN115123291B CN 115123291 B CN115123291 B CN 115123291B CN 202210627454 A CN202210627454 A CN 202210627454A CN 115123291 B CN115123291 B CN 115123291B
- Authority
- CN
- China
- Prior art keywords
- obstacle
- camera
- distance
- motion
- depth
- 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 34
- 238000004364 calculation method Methods 0.000 claims description 51
- 230000006399 behavior Effects 0.000 claims description 46
- 238000004590 computer program Methods 0.000 claims description 21
- 230000001133 acceleration Effects 0.000 claims description 11
- 230000003068 static effect Effects 0.000 claims description 11
- 230000008447 perception Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00272—Planning or execution of driving tasks using trajectory prediction for other traffic participants relying on extrapolation of current movement
-
- 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
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
-
- 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, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- 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
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4041—Position
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于障碍物识别的行为预测方法及装置，通过将现有车辆中的双目摄像头更换为四机位深感摄像头，以使对障碍物坐标的精准定位，以使获取前帧障碍物坐标和当前帧障碍物坐标，并得到障碍物的运动状态；同时通过根据障碍物的运动状态，当判断碍物轨迹预测坐标区间内包含第二障碍物时，判断所述障碍物和所述第二障碍物是否存在碰撞，当判断不存在碰撞时，输出所述障碍物进行非变运动，并预测所述障碍物的非变运动轨迹，当判断存在碰撞时，输出所述障碍物进行变轨运动，并预测所述障碍物的变轨运动轨迹，实现对动态障碍物的行为预测，提高障碍物行为预测的准确性。
Description
技术领域
本发明涉及智能驾驶的技术领域，特别是涉及一种基于障碍物识别的行为预测方法及装置。
背景技术
障碍物检测是智能驾驶领域中最重要的技术之一，后续的任何自动驾驶决策都依靠于障碍检测结果，然而运动物体(如车辆，行人等)的行为往往难以预测。
目前智能驾驶领域大都使用双目摄像头获取着时间变化的三维距离信息，搭建三维感知模型。因此获取的三维距离信息受限于摄像头的双目间距及其集成处理算法，精确度偏低，对于近距离的动态障碍物(如行人)的行为预测效果偏差；且目前的行为预测技术大都使用单轨迹预测模型，且绝大多数仅做匀速状态下的轨迹预测，对于变速行为和交互行为轨迹预测效果较差。
发明内容
本发明要解决的技术问题是：提供一种基于障碍物识别的行为预测方法、装置、设备及存储介质，提高障碍物的识别及其行为预测的准确性。
为了解决上述技术问题，本发明提供了一种基于障碍物识别的行为预测方法，包括：
根据目标车辆上的四机位深感摄像头，获取前帧障碍物坐标和当前帧障碍物坐标，并根据所述前帧障碍物坐标和所述当前帧障碍物坐标，得到障碍物的运动状态；
根据所述障碍物的运动状态，当判断碍物轨迹预测坐标区间内包含第二障碍物时，判断所述障碍物和所述第二障碍物是否存在碰撞，当判断不存在碰撞时，输出所述障碍物进行非变运动，并预测所述障碍物的非变运动轨迹，当判断存在碰撞时，输出所述障碍物进行变轨运动，并预测所述障碍物的变轨运动轨迹。
在一种可能的实现方式中，本发明提供的一种基于障碍物识别的行为预测方法，还包括：
根据所述障碍物的运动状态，当判断碍物轨迹预测坐标区间内不包含第二障碍物时，判断所述障碍物是否在第三障碍物的运动坐标区间内，若否，则输出所述障碍物进行非变运动，并预测所述障碍物的非变运动轨迹；
若是，则判断所述障碍物和所述第三障碍物是否存在碰撞，当判断不存在碰撞时，输出所述障碍物进行非变运动，并预测所述障碍物的非变运动轨迹，当判断存在碰撞时，输出所述障碍物进行变轨运动，并预测所述障碍物的变轨运动轨迹。
在一种可能的实现方式中，目标车辆上的四机位深感摄像头分别为第一深感摄像头、第二深感摄像头、第三深感摄像头和第四深感摄像头；
其中，所述第一深感摄像头设置在目标车辆驾驶室平面的左上方，所述第二深感摄像头设置在在目标车辆驾驶室平面的右上方，所述第三深感摄像头设置在目标车辆驾驶室平面的左下方，所述第四深感摄像头设置在目标车辆驾驶室平面的左下方。
在一种可能的实现方式中，获取当前帧障碍物坐标，具体包括：
当判断所述障碍物位于所述目标车辆的前方时，获取所述第一深感摄像头到所述障碍物的第一距离、所述第二深感摄像头到所述障碍物的第二距离以及所述第一深感摄像头与所述第二深感摄像头之间的第一摄像头距离；
分别将所述第一距离、所述第二距离和所述第一摄像头距离输入到预设的第一障碍物坐标计算公式中，以使根据所述第一障碍物坐标计算公式，计算出当前帧障碍物坐标；
当判断所述障碍物位于所述目标车辆的后方时，获取所述第三深感摄像头到所述障碍物的第三距离、所述第四深感摄像头到所述障碍物的第四距离、所述第三深感摄像头与所述第四深感摄像头之间的第二摄像头距离以及所述第三深感摄像头与所述第二深感摄像头之间的第三摄像头距离；
分别将所述第三距离、所述第四距离、所述第二摄像头距离和所述第三摄像头距离输入到预设的第二障碍物坐标计算公式中，以使根据所述第二障碍物坐标计算公式，计算出当前帧障碍物坐标。
在一种可能的实现方式中，预设的第一障碍物坐标计算公式，如下所示：
其中，len0为第一摄像头距离，len1为第一距离，len2为第二距离；
预设的第二障碍物坐标计算公式，如下所示：
其中，len5为第二摄像头距离，len6为第二摄像头距离，len3为第三距离，len4为第四距离；
在一种可能的实现方式中，根据所述前帧障碍物坐标和所述当前帧障碍物坐标，得到障碍物的运动状态，具体包括：
获取所述前帧障碍物坐标、所述当前帧障碍物坐标和深感摄像头帧率，并将所述获取所述前帧障碍物坐标、所述当前帧障碍物坐标和所述深感摄像头帧率代入到运动形态计算公式中，以使基于所述运动形态计算公式，计算得到所述障碍物的运动形态，其中，所述运动形态包括障碍物运动速度和障碍物运动加速度；
所述运动形态计算公式，如下所示：
a＝(v1-v0)*fps*n2；
其中，x1,y1为前帧障碍物坐标，x2,y2为当前帧障碍物坐标，fps为深感摄像头帧率，n0，n1，n2为补偿系数，v为障碍物运动速度，a为障碍物运动加速度，v0为前帧障碍物运动速度，v1为当前帧障碍物运动速度。
在一种可能的实现方式中，当判断碍物轨迹预测坐标区间内包含第二障碍物时，还包括：
获取连并根据连续差帧的第二障碍物坐标，判断所述的第二障碍物的运动状态是否发生变化，若是，则输出所述第二障碍物为非静态障碍物，若否，则输出所述第二障碍物为静态障碍物。
本发明还提供了一种基于障碍物识别的行为预测装置，包括：障碍物运动状态获取模块和障碍物运动轨迹预测模块；
其中，所述障碍物运动状态获取模块，用于根据目标车辆上的四机位深感摄像头，获取前帧障碍物坐标和当前帧障碍物坐标，并根据所述前帧障碍物坐标和所述当前帧障碍物坐标，得到障碍物的运动状态；
所述障碍物运动轨迹预测模块，用于根据所述障碍物的运动状态，当判断碍物轨迹预测坐标区间内包含第二障碍物时，判断所述障碍物和所述第二障碍物是否存在碰撞，当判断不存在碰撞时，输出所述障碍物进行非变运动，并预测所述障碍物的非变运动轨迹，当判断存在碰撞时，输出所述障碍物进行变轨运动，并预测所述障碍物的变轨运动轨迹。
在一种可能的实现方式中，所述障碍物运动轨迹预测模块，还用于根据所述障碍物的运动状态，当判断碍物轨迹预测坐标区间内不包含第二障碍物时，判断所述障碍物是否在第三障碍物的运动坐标区间内，若否，则输出所述障碍物进行非变运动，并预测所述障碍物的非变运动轨迹；
若是，则判断所述障碍物和所述第三障碍物是否存在碰撞，当判断不存在碰撞时，输出所述障碍物进行非变运动，并预测所述障碍物的非变运动轨迹，当判断存在碰撞时，输出所述障碍物进行变轨运动，并预测所述障碍物的变轨运动轨迹。
在一种可能的实现方式中，所述障碍物运动状态获取模块中目标车辆上的四机位深感摄像头分别为第一深感摄像头、第二深感摄像头、第三深感摄像头和第四深感摄像头；
其中，所述第一深感摄像头设置在目标车辆驾驶室平面的左上方，所述第二深感摄像头设置在在目标车辆驾驶室平面的右上方，所述第三深感摄像头设置在目标车辆驾驶室平面的左下方，所述第四深感摄像头设置在目标车辆驾驶室平面的左下方。
在一种可能的实现方式中，所述障碍物运动状态获取模块，用于获取当前帧障碍物坐标，具体包括：
当判断所述障碍物位于所述目标车辆的前方时，获取所述第一深感摄像头到所述障碍物的第一距离、所述第二深感摄像头到所述障碍物的第二距离以及所述第一深感摄像头与所述第二深感摄像头之间的第一摄像头距离；
分别将所述第一距离、所述第二距离和所述第一摄像头距离输入到预设的第一障碍物坐标计算公式中，以使根据所述第一障碍物坐标计算公式，计算出当前帧障碍物坐标；
当判断所述障碍物位于所述目标车辆的后方时，获取所述第三深感摄像头到所述障碍物的第三距离、所述第四深感摄像头到所述障碍物的第四距离、所述第三深感摄像头与所述第四深感摄像头之间的第二摄像头距离以及所述第三深感摄像头与所述第二深感摄像头之间的第三摄像头距离；
分别将所述第三距离、所述第四距离、所述第二摄像头距离和所述第三摄像头距离输入到预设的第二障碍物坐标计算公式中，以使根据所述第二障碍物坐标计算公式，计算出当前帧障碍物坐标。
在一种可能的实现方式中，所述障碍物运动状态获取模块中预设的第一障碍物坐标计算公式，如下所示：
其中，len0为第一摄像头距离，len1为第一距离，len2为第二距离；
所述障碍物运动状态获取模块中预设的第二障碍物坐标计算公式，如下所示：
其中，len5为第二摄像头距离，len6为第二摄像头距离，len3为第三距离，len4为第四距离。
在一种可能的实现方式中，所述障碍物运动状态获取模块，用于根据所述前帧障碍物坐标和所述当前帧障碍物坐标，得到障碍物的运动状态，具体包括：
获取所述前帧障碍物坐标、所述当前帧障碍物坐标和深感摄像头帧率，并将所述获取所述前帧障碍物坐标、所述当前帧障碍物坐标和所述深感摄像头帧率代入到运动形态计算公式中，以使基于所述运动形态计算公式，计算得到所述障碍物的运动形态，其中，所述运动形态包括障碍物运动速度和障碍物运动加速度；
所述运动形态计算公式，如下所示：
a＝(v1-v0)*fps*n2；
其中，x1,y1为前帧障碍物坐标，x2,y2为当前帧障碍物坐标，fps为深感摄像头帧率，n0，n1，n2为补偿系数，v为障碍物运动速度，a为障碍物运动加速度，v0为前帧障碍物运动速度，v1为当前帧障碍物运动速度。
在一种可能的实现方式中，所述障碍物运动轨迹预测模块，用于当判断碍物轨迹预测坐标区间内包含第二障碍物时，还包括：
获取连并根据连续差帧的第二障碍物坐标，判断所述的第二障碍物的运动状态是否发生变化，若是，则输出所述第二障碍物为非静态障碍物，若否，则输出所述第二障碍物为静态障碍物。
本发明还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的基于障碍物识别的行为预测方法。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任意一项所述的基于障碍物识别的行为预测方法。
本发明实施例一种基于障碍物识别的行为预测方法及装置，与现有技术相比，具有如下有益效果：
通过将现有车辆中的双目摄像头更换为四机位深感摄像头，以使对障碍物坐标进行精准识别及定位，以使获取前帧障碍物坐标和当前帧障碍物坐标，并得到障碍物的运动状态；同时通过根据障碍物的运动状态，当判断碍物轨迹预测坐标区间内包含第二障碍物时，判断所述障碍物和所述第二障碍物是否存在碰撞，当判断不存在碰撞时，输出所述障碍物进行非变运动，并预测所述障碍物的非变运动轨迹，当判断存在碰撞时，输出所述障碍物进行变轨运动，并预测所述障碍物的变轨运动轨迹，实现对动态障碍物的行为预测，提高障碍物行为预测的准确性。
附图说明
图1是本发明提供的一种基于障碍物识别的行为预测方法的一种实施例的流程示意图；
图2是本发明提供的一种基于障碍物识别的行为预测装置的一种实施例的结构示意图；
图3是本发明提供的一种实施例的四机位深感摄像头的安装位置示意图；
图4是本发明提供的一种实施例的第一深感摄像头和第二深感摄像头进行联合检测定位障碍物的示意图；
图5是本发明提供的一种实施例的三维感知模型距离定位坐标示意图；
图6是本发明提供的一种实施例的第一车辆行驶场景示意图；
图7是本发明提供的一种实施例的第二车辆行驶场景示意图；
图8是本发明提供的一种实施例的第三车辆行驶场景示意图。
具体实施方式
下面将结合本发明中的附图，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作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。
实施例1
参见图1，图1是本发明提供的一种基于障碍物识别的行为预测方法实施例的流程示意图，如图1所示，该方法包括步骤101-步骤102，具体如下：
步骤101：根据目标车辆上的四机位深感摄像头，获取前帧障碍物坐标和当前帧障碍物坐标，并根据所述前帧障碍物坐标和所述当前帧障碍物坐标，得到障碍物的运动状态。
一实施例中，目标车辆为商用车，目标车辆上的四机位深感摄像头分别为第一深感摄像头、第二深感摄像头、第三深感摄像头和第四深感摄像头；其中，所述第一深感摄像头设置在目标车辆驾驶室平面的左上方，所述第二深感摄像头设置在在目标车辆驾驶室平面的右上方，所述第三深感摄像头设置在目标车辆驾驶室平面的左下方，所述第四深感摄像头设置在目标车辆驾驶室平面的左下方。该四机位深感摄像头的安装位置示意图如图3所示，每个深感摄像头都有其对应的检测范围，双深感摄像头联合检测范围为图3中的线条所示。
本实施例中，将传统双目摄像头更换为四机位深感摄像头，深感摄像头目距可以根据具体应用车型做动态调整，大幅提高定位的精确度，避免了现有中受限于双目摄像头的目距，传统的障碍物识别算法精度很难进行动态调整的问题。
且本实施例中的四机位深感摄像头设置在商用车上，区别于现有的识别技术大都应用于乘用车，一旦搭载的双目摄像头被前车或其他障碍物阻挡，将无法继续识别，本实施例中将四机位深感摄像头设置在商用车顶部位置，基于商用车车高，不存在被遮挡情况，提高了行驶过程中对障碍物识别的稳定性，受外部环境影响小。
一实施例中，当执行对障碍物进行定位操作时，需要判断障碍物与目标车辆的位置关系。
一实施例中，当判断所述障碍物位于所述目标车辆的前方时，利用前向的第一深感摄像头和第二深感摄像头进行联合检测定位的障碍物的坐标，其中，第一深感摄像头和第二深感摄像头进行联合检测定位障碍物的示意图，如图4所示，具体的：获取所述第一深感摄像头到所述障碍物的第一距离、所述第二深感摄像头到所述障碍物的第二距离以及所述第一深感摄像头与所述第二深感摄像头之间的第一摄像头距离；分别将所述第一距离、所述第二距离和所述第一摄像头距离输入到预设的第一障碍物坐标计算公式中，以使根据所述第一障碍物坐标计算公式，计算出障碍物在三维感知模型中的障碍物坐标。
本实施例中，三维感知模型距离定位坐标示意图如图5所示，图5中以所述第一深感摄像头与所述第二深感摄像头之间的第一摄像头距离的中点作为坐标轴的原点，并以目标车辆驾驶室的右方为X轴的正向，以目标车辆驾驶室的正前方为Y轴正向。
一实施例中，预设的第一障碍物坐标计算公式，如下所示：
其中，len0为第一摄像头距离，len1为第一距离，len2为第二距离。
一实施例中，当判断所述障碍物位于所述目标车辆的后方时，利用前向的第三深感摄像头和第四深感摄像头进行联合检测定位的障碍物的坐标，具体的，获取所述第三深感摄像头到所述障碍物的第三距离、所述第四深感摄像头到所述障碍物的第四距离、所述第三深感摄像头与所述第四深感摄像头之间的第二摄像头距离以及所述第三深感摄像头与所述第二深感摄像头之间的第三摄像头距离；分别将所述第三距离、所述第四距离、所述第二摄像头距离和所述第三摄像头距离输入到预设的第二障碍物坐标计算公式中，以使根据所述第二障碍物坐标计算公式，计算出帧障碍物坐标。
一实施例中，预设的第二障碍物坐标计算公式，如下所示：
其中，len5为第二摄像头距离，len6为第二摄像头距离，len3为第三距离，len4为第四距离。
一实施例中，基于上述所述的障碍物坐标获取方式，获取前帧障碍物坐标，记为(x1.y1)，获取当前帧障碍物坐标，记为(x2.y2)。基于视频差帧获取障碍物的运动形态，具体的：获取所述前帧障碍物坐标、所述当前帧障碍物坐标和深感摄像头帧率，并将所述获取所述前帧障碍物坐标、所述当前帧障碍物坐标和所述深感摄像头帧率代入到运动形态计算公式中，以使基于所述运动形态计算公式，计算得到所述障碍物的运动形态，其中，所述运动形态包括障碍物运动速度和障碍物运动加速度；所述运动形态计算公式，如下所示：
a＝(v1-v0)*fps*n2；
其中，x1,y1为前帧障碍物坐标，x2,y2为当前帧障碍物坐标，fps为深感摄像头帧率，n0，n1，n2为补偿系数，v为障碍物运动速度，a为障碍物运动加速度，v0为前帧障碍物运动速度，v1为当前帧障碍物运动速度。
步骤102：根据所述障碍物的运动状态，当判断碍物轨迹预测坐标区间内包含第二障碍物时，判断所述障碍物和所述第二障碍物是否存在碰撞，当判断不存在碰撞时，输出所述障碍物进行非变运动，并预测所述障碍物的非变运动轨迹，当判断存在碰撞时，输出所述障碍物进行变轨运动，并预测所述障碍物的变轨运动轨迹。
一实施例中，根据障碍物坐标、障碍物运动速度、障碍物运动加速度和障碍物行驶方向，得到障碍物轨迹预测坐标区间，并基于障碍物轨迹预测坐标区间，判断是否存在第二障碍物坐标位于所述障碍物轨迹预测坐标区间中。
一实施例中，对于障碍物轨迹预测坐标区间的预测，采用高斯过程回归模型，输入的是当前车辆运动信息，障碍物运动状态，以及三维环境模型中的道路信息，该回归模型会根据以上信息做出决策，选出符合情况的可通行道路，得到的结果就是高斯过程回归模型所预测的可通行道路，即根据车辆运行状态所预测出的轨迹预测坐标区间。
一实施例中，当存在第二障碍物坐标位于所述障碍物轨迹预测坐标区间时，基于目标车辆的四机位深感摄像头获取连续差帧的第二障碍物坐标，并基于连续差帧的第二障碍物坐标，获取不同时刻的第二障碍物的运动状态，判断第二障碍物的运动状态是否发生变化，若是，则输出所述第二障碍物为非静态障碍物，若否，则输出所述第二障碍物为静态障碍物。
一实施例中，当第二障碍物为静态障碍物时，根据障碍物的运动状态与第二障碍物的运动状态，预测判断障碍物和第二障碍物是否存在碰撞的可能，具体的，基于障碍物的运动状态，获取碍物轨迹预测坐标区间，基于第二障碍物的运动状态，获取第二碍物轨迹预测坐标区间，根据碍物轨迹预测坐标区间和第二碍物轨迹预测坐标区间，判断两个区间是否存在空间与时间双重重合，即障碍物和第二障碍物是否在同一时间位于同一坐标，若是，则认为障碍物和第二障碍物存在碰撞，输出所述障碍物进行变轨运动，并预测所述障碍物的变轨运动轨迹，其中，若障碍物为车辆时，障碍物的变轨运动轨迹为障碍物依据障碍物轨迹预测坐标区间从当前变更到另一车道。若判断两个区间不在空间与时间双重重合，则认为障碍物和第二障碍物不存在碰撞，输出所述障碍物进行非变运动，并预测所述障碍物的非变运动轨迹，其中，若障碍物为车辆时，障碍物的非变运动轨迹为障碍物在当前车道依据障碍物轨迹预测坐标区间行驶。
一实施例中，当不存在第二障碍物坐标位于所述障碍物轨迹预测坐标区间时，判断是否存在第三障碍物，若存在第三障碍物，则获取第三障碍物的运动状态和运动坐标区间，判断所述障碍物是否在第三障碍物的运动坐标区间内，若否，则认为障碍物和第三障碍物不存在碰撞，输出所述障碍物进行非变运动，并预测所述障碍物的非变运动轨迹，其中，若障碍物为车辆时，障碍物的非变运动轨迹为障碍物在当前车道依据障碍物轨迹预测坐标区间行驶。
若判断障碍物在第三障碍物的运动坐标区间内，则获取则根据深度学习及轨迹交互算法，判断障碍物和第三障碍物是否存在碰撞的可能，具体的，基于障碍物的运动状态，获取碍物轨迹预测坐标区间，基于第三障碍物的运动状态，获取第三碍物轨迹预测坐标区间，根据碍物轨迹预测坐标区间和第三碍物轨迹预测坐标区间，判断两个区间是否存在空间与时间双重重合，即障碍物和第二障碍物是否在同一时间位于同一坐标，若是，则认为障碍物和第三障碍物存在碰撞，输出所述障碍物进行变轨运动，并预测所述障碍物的变轨运动轨迹，其中，若障碍物为车辆时，障碍物的变轨运动轨迹为障碍物依据障碍物轨迹预测坐标区间从当前车道变更到另一车道。若判断两个区间不在空间与时间双重重合，则认为障碍物和第三障碍物不存在碰撞，输出所述障碍物进行非变运动，并预测所述障碍物的非变运动轨迹，其中，若障碍物为车辆时，障碍物的非变运动轨迹为障碍物在当前车道依据障碍物轨迹预测坐标区间行驶。
一实施例中，上述障碍物、第一障碍物、第二障碍物和第三障碍物可以为车辆，也可以为行人。
作为本实施例的一种举例说明：两条车道均为单向向前的车道(不能反向行驶)，此时我方车辆A在左车道行驶，车辆B在右车道行驶，此时车辆C在右车道非法逆向行驶，如图6所示，图6是第一车辆行驶场景示意图，若此时仅考虑单轨迹预测模型，将会预测车辆B与车辆C将会相撞，如图7所示，图7是第二车辆行驶场景示意图；此时不会影响我方车辆A通行，因此我方车辆可以继续行驶。然而考虑到行人或车辆有交互性，当车辆B发现前方车辆C时，必然会采取紧急避险行为，因此车辆B会紧急变道到我方车道，如图8所示，图8是是第二车辆行驶场景示意图，此时如不减速极易发生碰撞！而本实施例中采取的深度学习及轨迹交互算法预测可以做出正确判断，相较于传统的单轨迹预测准确性和安全性得到大幅提高。
实施例2
参见图2，图2是本发明提供的一种基于障碍物识别的行为预测装置实施例的结构示意图，如图2所示，该装置包括障碍物运动状态获取模块201和障碍物运动轨迹预测模块202，具体如下：
所述障碍物运动状态获取模块201，用于根据目标车辆上的四机位深感摄像头，获取前帧障碍物坐标和当前帧障碍物坐标，并根据所述前帧障碍物坐标和所述当前帧障碍物坐标，得到障碍物的运动状态。
所述障碍物运动轨迹预测模块202，用于根据所述障碍物的运动状态，当判断碍物轨迹预测坐标区间内包含第二障碍物时，判断所述障碍物和所述第二障碍物是否存在碰撞，当判断不存在碰撞时，输出所述障碍物进行非变运动，并预测所述障碍物的非变运动轨迹，当判断存在碰撞时，输出所述障碍物进行变轨运动，并预测所述障碍物的变轨运动轨迹。
一实施例中，所述障碍物运动轨迹预测模块，还用于根据所述障碍物的运动状态，当判断碍物轨迹预测坐标区间内不包含第二障碍物时，判断所述障碍物是否在第三障碍物的运动坐标区间内，若否，则输出所述障碍物进行非变运动，并预测所述障碍物的非变运动轨迹；
若是，则判断所述障碍物和所述第三障碍物是否存在碰撞，当判断不存在碰撞时，输出所述障碍物进行非变运动，并预测所述障碍物的非变运动轨迹，当判断存在碰撞时，输出所述障碍物进行变轨运动，并预测所述障碍物的变轨运动轨迹。
一实施例中，所述障碍物运动状态获取模块中目标车辆上的四机位深感摄像头分别为第一深感摄像头、第二深感摄像头、第三深感摄像头和第四深感摄像头；
其中，所述第一深感摄像头设置在目标车辆驾驶室平面的左上方，所述第二深感摄像头设置在在目标车辆驾驶室平面的右上方，所述第三深感摄像头设置在目标车辆驾驶室平面的左下方，所述第四深感摄像头设置在目标车辆驾驶室平面的左下方。
一实施例中，所述障碍物运动状态获取模块，用于获取当前帧障碍物坐标，具体包括：
当判断所述障碍物位于所述目标车辆的前方时，获取所述第一深感摄像头到所述障碍物的第一距离、所述第二深感摄像头到所述障碍物的第二距离以及所述第一深感摄像头与所述第二深感摄像头之间的第一摄像头距离；
分别将所述第一距离、所述第二距离和所述第一摄像头距离输入到预设的第一障碍物坐标计算公式中，以使根据所述第一障碍物坐标计算公式，计算出当前帧障碍物坐标；
当判断所述障碍物位于所述目标车辆的后方时，获取所述第三深感摄像头到所述障碍物的第三距离、所述第四深感摄像头到所述障碍物的第四距离、所述第三深感摄像头与所述第四深感摄像头之间的第二摄像头距离以及所述第三深感摄像头与所述第二深感摄像头之间的第三摄像头距离；
分别将所述第三距离、所述第四距离、所述第二摄像头距离和所述第三摄像头距离输入到预设的第二障碍物坐标计算公式中，以使根据所述第二障碍物坐标计算公式，计算出当前帧障碍物坐标。
一实施例中，所述障碍物运动状态获取模块中预设的第一障碍物坐标计算公式，如下所示：
其中，len0为第一摄像头距离，len1为第一距离，len2为第二距离；
所述障碍物运动状态获取模块中预设的第二障碍物坐标计算公式，如下所示：
其中，len5为第二摄像头距离，len6为第二摄像头距离，len3为第三距离，len4为第四距离；
一实施例中，所述障碍物运动状态获取模块，用于根据所述前帧障碍物坐标和所述当前帧障碍物坐标，得到障碍物的运动状态，具体包括：
获取所述前帧障碍物坐标、所述当前帧障碍物坐标和深感摄像头帧率，并将所述获取所述前帧障碍物坐标、所述当前帧障碍物坐标和所述深感摄像头帧率代入到运动形态计算公式中，以使基于所述运动形态计算公式，计算得到所述障碍物的运动形态，其中，所述运动形态包括障碍物运动速度和障碍物运动加速度；
所述运动形态计算公式，如下所示：
a＝(v1-v0)*fps*n2；
其中，x1,y1为前帧障碍物坐标，x2,y2为当前帧障碍物坐标，fps为深感摄像头帧率，n0，n1，n2为补偿系数，v为障碍物运动速度，a为障碍物运动加速度，v0为前帧障碍物运动速度，v1为当前帧障碍物运动速度。
一实施例中，所述障碍物运动轨迹预测模块，用于当判断碍物轨迹预测坐标区间内包含第二障碍物时，还包括：
获取连并根据连续差帧的第二障碍物坐标，判断所述的第二障碍物的运动状态是否发生变化，若是，则输出所述第二障碍物为非静态障碍物，若否，则输出所述第二障碍物为静态障碍物。
所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不在赘述。
需要说明的是，上述基于障碍物识别的行为预测装置的实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
在上述的基于障碍物识别的行为预测方法的实施例的基础上，本发明另一实施例提供了一种基于障碍物识别的行为预测终端设备，该基于障碍物识别的行为预测终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时，实现本发明任意一实施例的基于障碍物识别的行为预测方法。
示例性的，在这一实施例中所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述基于障碍物识别的行为预测终端设备中的执行过程。
所述基于障碍物识别的行为预测终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于障碍物识别的行为预测终端设备可包括，但不仅限于，处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于障碍物识别的行为预测终端设备的控制中心，利用各种接口和线路连接整个基于障碍物识别的行为预测终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于障碍物识别的行为预测终端设备的各种功能。所述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等；存储数据区可存储根据手机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，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在上述基于障碍物识别的行为预测方法的实施例的基础上，本发明另一实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时，控制所述存储介质所在的设备执行本发明任意一实施例的基于障碍物识别的行为预测方法。
在这一实施例中，上述存储介质为计算机可读存储介质，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
综上，本发明公开了一种基于障碍物识别的行为预测方法及装置，通过将现有车辆中的双目摄像头更换为四机位深感摄像头，以使对障碍物坐标的精准定位，以使获取前帧障碍物坐标和当前帧障碍物坐标，并得到障碍物的运动状态；同时通过根据障碍物的运动状态，当判断碍物轨迹预测坐标区间内包含第二障碍物时，判断所述障碍物和所述第二障碍物是否存在碰撞，当判断不存在碰撞时，输出所述障碍物进行非变运动，并预测所述障碍物的非变运动轨迹，当判断存在碰撞时，输出所述障碍物进行变轨运动，并预测所述障碍物的变轨运动轨迹，实现对动态障碍物的行为预测，提高障碍物行为预测的准确性。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。
Claims (8)
1.一种基于障碍物识别的行为预测方法，其特征在于，包括：
根据目标车辆上的四机位深感摄像头，获取前帧障碍物坐标和当前帧障碍物坐标，并根据所述前帧障碍物坐标和所述当前帧障碍物坐标，得到第一障碍物的运动状态，其中，目标车辆上的四机位深感摄像头分别为第一深感摄像头、第二深感摄像头、第三深感摄像头和第四深感摄像头；
根据所述第一障碍物的运动状态，当判断障碍物轨迹预测坐标区间内包含第二障碍物时，判断所述第一障碍物和所述第二障碍物是否存在碰撞，当判断不存在碰撞时，输出所述第一障碍物进行非变运动，并预测所述第一障碍物的非变运动轨迹，当判断存在碰撞时，输出所述第一障碍物进行变轨运动，并预测所述第一障碍物的变轨运动轨迹；
其中，所述获取当前帧障碍物坐标，具体包括：当判断所述第一障碍物位于所述目标车辆的前方时，获取所述第一深感摄像头到所述第一障碍物的第一距离、所述第二深感摄像头到所述第一障碍物的第二距离以及所述第一深感摄像头与所述第二深感摄像头之间的第一摄像头距离；
分别将所述第一距离、所述第二距离和所述第一摄像头距离输入到预设的第一障碍物坐标计算公式中，以使根据所述第一障碍物坐标计算公式，计算出当前帧障碍物坐标；
当判断所述第一障碍物位于所述目标车辆的后方时，获取所述第三深感摄像头到所述第一障碍物的第三距离、所述第四深感摄像头到所述第一障碍物的第四距离、所述第三深感摄像头与所述第四深感摄像头之间的第二摄像头距离以及所述第三深感摄像头与所述第二深感摄像头之间的第三摄像头距离；
分别将所述第三距离、所述第四距离、所述第二摄像头距离和所述第三摄像头距离输入到预设的第二障碍物坐标计算公式中，以使根据所述第二障碍物坐标计算公式，计算出当前帧障碍物坐标；
预设的第一障碍物坐标计算公式，如下所示：
其中，len0为第一摄像头距离，len1为第一距离，len2为第二距离；
预设的第二障碍物坐标计算公式，如下所示：
其中，len5为第二摄像头距离，len6为第二摄像头距离，len3为第三距离，len4为第四距离。
2.如权利要求1所述的一种基于障碍物识别的行为预测方法，其特征在于，还包括：
根据所述第一障碍物的运动状态，当判断碍物轨迹预测坐标区间内不包含第二障碍物时，判断所述第一障碍物是否在第三障碍物的运动坐标区间内，若否，则输出所述第一障碍物进行非变运动，并预测所述第一障碍物的非变运动轨迹；
若是，则判断所述第一障碍物和所述第三障碍物是否存在碰撞，当判断不存在碰撞时，输出所述第一障碍物进行非变运动，并预测所述第一障碍物的非变运动轨迹，当判断存在碰撞时，输出所述第一障碍物进行变轨运动，并预测所述第一障碍物的变轨运动轨迹。
3.如权利要求1所述的一种基于障碍物识别的行为预测方法，其特征在于，所述第一深感摄像头设置在目标车辆驾驶室平面的左上方，所述第二深感摄像头设置在目标车辆驾驶室平面的右上方，所述第三深感摄像头设置在目标车辆驾驶室平面的左下方，所述第四深感摄像头设置在目标车辆驾驶室平面的左下方。
4.如权利要求1所述的一种基于障碍物识别的行为预测方法，其特征在于，根据所述前帧障碍物坐标和所述当前帧障碍物坐标，得到第一障碍物的运动状态，具体包括：
获取所述前帧障碍物坐标、所述当前帧障碍物坐标和深感摄像头帧率，并将所述获取所述前帧障碍物坐标、所述当前帧障碍物坐标和所述深感摄像头帧率代入到运动形态计算公式中，以使基于所述运动形态计算公式，计算得到所述第一障碍物的运动形态，其中，所述运动形态包括障碍物运动速度和障碍物运动加速度；
所述运动形态计算公式，如下所示：
；
；
其中，为前帧障碍物坐标，/>为当前帧障碍物坐标，fps为深感摄像头帧率，/>，，/>为补偿系数，v为障碍物运动速度，a为障碍物运动加速度，/>为前帧障碍物运动速度，/>为当前帧障碍物运动速度。
5.如权利要求1所述的一种基于障碍物识别的行为预测方法，其特征在于，当判断碍物轨迹预测坐标区间内包含第二障碍物时，还包括：
获取连并根据连续差帧的第二障碍物坐标，判断所述的第二障碍物的运动状态是否发生变化，若是，则输出所述第二障碍物为非静态障碍物，若否，则输出所述第二障碍物为静态障碍物。
6.一种基于障碍物识别的行为预测装置，其特征在于，包括：障碍物运动状态获取模块和障碍物运动轨迹预测模块；
其中，所述障碍物运动状态获取模块，用于根据目标车辆上的四机位深感摄像头，获取前帧障碍物坐标和当前帧障碍物坐标，并根据所述前帧障碍物坐标和所述当前帧障碍物坐标，得到第一障碍物的运动状态，其中，目标车辆上的四机位深感摄像头分别为第一深感摄像头、第二深感摄像头、第三深感摄像头和第四深感摄像头；
所述障碍物运动轨迹预测模块，用于根据所述第一障碍物的运动状态，当判断障碍物轨迹预测坐标区间内包含第二障碍物时，判断所述第一障碍物和所述第二障碍物是否存在碰撞，当判断不存在碰撞时，输出所述第一障碍物进行非变运动，并预测所述第一障碍物的非变运动轨迹，当判断存在碰撞时，输出所述第一障碍物进行变轨运动，并预测所述第一障碍物的变轨运动轨迹；
所述障碍物运动状态获取模块，用于获取当前帧障碍物坐标，具体包括：当判断所述第一障碍物位于所述目标车辆的前方时，获取所述第一深感摄像头到所述第一障碍物的第一距离、所述第二深感摄像头到所述第一障碍物的第二距离以及所述第一深感摄像头与所述第二深感摄像头之间的第一摄像头距离；分别将所述第一距离、所述第二距离和所述第一摄像头距离输入到预设的第一障碍物坐标计算公式中，以使根据所述第一障碍物坐标计算公式，计算出当前帧障碍物坐标；当判断所述第一障碍物位于所述目标车辆的后方时，获取所述第三深感摄像头到所述第一障碍物的第三距离、所述第四深感摄像头到所述第一障碍物的第四距离、所述第三深感摄像头与所述第四深感摄像头之间的第二摄像头距离以及所述第三深感摄像头与所述第二深感摄像头之间的第三摄像头距离；分别将所述第三距离、所述第四距离、所述第二摄像头距离和所述第三摄像头距离输入到预设的第二障碍物坐标计算公式中，以使根据所述第二障碍物坐标计算公式，计算出当前帧障碍物坐标；
其中，所述障碍物运动状态获取模块中预设的第一障碍物坐标计算公式，如下所示：
其中，len0为第一摄像头距离，len1为第一距离，len2为第二距离；
所述障碍物运动状态获取模块中预设的第二障碍物坐标计算公式，如下所示：
其中，len5为第二摄像头距离，len6为第二摄像头距离，len3为第三距离，len4为第四距离。
7.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5任意一项所述的基于障碍物识别的行为预测方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的基于障碍物识别的行为预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210627454.6A CN115123291B (zh) | 2022-06-02 | 2022-06-02 | 一种基于障碍物识别的行为预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210627454.6A CN115123291B (zh) | 2022-06-02 | 2022-06-02 | 一种基于障碍物识别的行为预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115123291A CN115123291A (zh) | 2022-09-30 |
| CN115123291B true CN115123291B (zh) | 2024-04-26 |
Family
ID=83377895
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210627454.6A Active CN115123291B (zh) | 2022-06-02 | 2022-06-02 | 一种基于障碍物识别的行为预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115123291B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115937827B (zh) * | 2023-02-17 | 2023-05-09 | 深圳市蓝鲸智联科技有限公司 | 用于汽车紧急主动避险的监控视频处理方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008021269A (ja) * | 2006-07-14 | 2008-01-31 | Denso It Laboratory Inc | 衝突危険度判定装置、衝突危険度判定方法及び歩行者識別方法 |
| KR20140123299A (ko) * | 2013-04-12 | 2014-10-22 | 현대모비스 주식회사 | 차량 충돌 방지 장치 및 그 방법 |
| CN109703456A (zh) * | 2017-10-25 | 2019-05-03 | 上海汽车集团股份有限公司 | 一种防止汽车碰撞的警示方法、装置及汽车控制器 |
| CN109885066A (zh) * | 2019-03-26 | 2019-06-14 | 北京经纬恒润科技有限公司 | 一种运动轨迹预测方法及装置 |
| CN114212110A (zh) * | 2022-01-28 | 2022-03-22 | 中国第一汽车股份有限公司 | 障碍物轨迹预测方法、装置、电子设备及存储介质 |
-
2022
- 2022-06-02 CN CN202210627454.6A patent/CN115123291B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008021269A (ja) * | 2006-07-14 | 2008-01-31 | Denso It Laboratory Inc | 衝突危険度判定装置、衝突危険度判定方法及び歩行者識別方法 |
| KR20140123299A (ko) * | 2013-04-12 | 2014-10-22 | 현대모비스 주식회사 | 차량 충돌 방지 장치 및 그 방법 |
| CN109703456A (zh) * | 2017-10-25 | 2019-05-03 | 上海汽车集团股份有限公司 | 一种防止汽车碰撞的警示方法、装置及汽车控制器 |
| CN109885066A (zh) * | 2019-03-26 | 2019-06-14 | 北京经纬恒润科技有限公司 | 一种运动轨迹预测方法及装置 |
| CN114212110A (zh) * | 2022-01-28 | 2022-03-22 | 中国第一汽车股份有限公司 | 障碍物轨迹预测方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115123291A (zh) | 2022-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nidamanuri et al. | A progressive review: Emerging technologies for ADAS driven solutions | |
| US20210146927A1 (en) | Systems and methods for navigating a vehicle among encroaching vehicles | |
| CN109389026B (zh) | 车道检测方法和设备 | |
| EP3466764A1 (en) | Method for monitoring blind spot of monitoring vehicle and blind spot monitor using the same | |
| JP7027738B2 (ja) | 運転支援装置 | |
| JP2019156174A (ja) | 車両制御装置、車両、車両制御方法およびプログラム | |
| CN113267199B (zh) | 行驶轨迹规划方法及装置 | |
| US20160214647A1 (en) | Method for assisting a driver in driving an ego vehicle and corresponding driver assistance system | |
| KR20210115026A (ko) | 차량 인텔리전트 운전 제어 방법 및 장치, 전자 기기 및 기억 매체 | |
| CN108535727B (zh) | 跟踪主车辆附近的多个对象的方法 | |
| US10803307B2 (en) | Vehicle control apparatus, vehicle, vehicle control method, and storage medium | |
| US11436815B2 (en) | Method for limiting object detection area in a mobile system equipped with a rotation sensor or a position sensor with an image sensor, and apparatus for performing the same | |
| JP2015165381A (ja) | 画像処理装置、機器制御システム、および画像処理プログラム | |
| KR102467223B1 (ko) | 차선을 변경하는 차량에 근거한 자율 주행 제어 방법 및 장치 | |
| CN114170826B (zh) | 自动驾驶控制方法和装置、电子设备和存储介质 | |
| CN114323054A (zh) | 自动驾驶车辆行驶轨迹的确定方法、装置及电子设备 | |
| KR102305673B1 (ko) | 카메라와 v2v를 이용한 주변차량 차선변경 의도 및 경로 예측 방법 | |
| CN115123291B (zh) | 一种基于障碍物识别的行为预测方法及装置 | |
| CN115447607A (zh) | 用于规划车辆行驶轨迹的方法和装置 | |
| CN113954836A (zh) | 分段式导航换道方法及其系统、计算机设备、存储介质 | |
| CN115223131A (zh) | 一种自适应巡航的跟随目标车辆检测方法、装置及汽车 | |
| US20230245323A1 (en) | Object tracking device, object tracking method, and storage medium | |
| CN115512542B (zh) | 一种基于路侧激光雷达的考虑遮挡的轨迹复原方法及系统 | |
| KR20230172776A (ko) | 주행 보조선을 고려한 차선 추종 시스템 및 그 방법 | |
| Guo et al. | Multi-vehicle detection and tracking based on Kalman filter and data association |
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 |