CN115257717A - 车辆智能避障方法、系统、介质、车机及车辆 - Google Patents
车辆智能避障方法、系统、介质、车机及车辆 Download PDFInfo
- Publication number
- CN115257717A CN115257717A CN202210952345.1A CN202210952345A CN115257717A CN 115257717 A CN115257717 A CN 115257717A CN 202210952345 A CN202210952345 A CN 202210952345A CN 115257717 A CN115257717 A CN 115257717A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- state
- obstacle
- target
- longitudinal
- 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.)
- Granted
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
- B60W30/09—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
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/86—Combinations of sonar systems with lidar systems; Combinations of sonar systems with systems not using wave reflection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
- G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
-
- 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
- B60W2554/804—Relative longitudinal speed
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明提供一种车辆智能避障方法、系统、介质、车机及车辆,所述车辆智能避障方法包括:获得车辆周边的障碍物信息和环境图像信息;将所述障碍物信息和环境图像信息融合处理,获得车辆周边的目标障碍物信息;将所述目标障碍物信息输入预设的环境模型,获得所述目标障碍物的状态及所述目标障碍物所属的状态类别;根据所述目标障碍物的状态类别和预设的安全行驶策略,输出对应的避障指令。本发明解决了单个摄像头对近距离感知不稳定、探测存在盲区、因光线偏暗导致识别不准确、识别精度不够高的问题。
Description
技术领域
本发明属于计算机技术领域,涉及一种智能驾驶方法,特别是涉及一种车辆智能避障方法、系统、介质、车机及车辆。
背景技术
智能驾驶是信息化与工业化融合的典型代表,智能驾驶系统是一个集中运用了先进的信息控制技术,剧本环境感知、多等级辅助驾驶等功能于一体的综合系统。目前常规的智能驾驶产品在探测和目标物识别时主要采用以下2种方案:1)单个摄像头方案;2)单个摄像头与毫米波雷达融合方案。
其中,单个摄像头方案存在探测盲区问题,车头前方、车头两个角侧方都因为摄像头的安装位置和FOV角度无法覆盖,且在垂向上也存在一定盲区。单个摄像头与毫米波雷达融合方案也存在一些问题,例如:通过叠加高成本零件解决问题导致成本明显增加,给车辆带来机械安装的问题,影响车辆的造型设计,功耗高,造成能源浪费。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种车辆智能避障方法、系统、介质、车机及车辆,用于解决现有技术中单摄像头存在探测盲区,与毫米波雷达融合探测也存在成本高、额外增加硬件安装等诸多问题。
为实现上述目的及其他相关目的,本发明提供一种车辆智能避障方法,所述车辆智能避障方法包括:获得车辆周边的障碍物信息和环境图像信息;将所述障碍物信息和环境图像信息融合处理,获得车辆周边的目标障碍物信息;将所述目标障碍物信息输入预设的环境模型,获得所述目标障碍物的状态及所述目标障碍物所属的状态类别;根据所述目标障碍物的状态类别和预设的安全行驶策略,输出对应的避障指令。
于本发明的一实施例中,获得所述目标障碍物所属的状态类别的步骤包括:对所述目标障碍物的状态进行纵向状态分类,获得纵向状态分类结果;所述纵向状态分类结果包括:所述目标障碍物位于所述车辆前方或后方,以及所述目标障碍物的纵向移动速度相对于所述车辆的纵向移动速度快或慢;对所述目标障碍物的状态进行横向状态分类,获得横向状态分类结果;所述纵向状态分类结果包括:所述目标障碍物与所述车辆的横向距离大于最小横向安全距离且小于第一横向阈值距离,并所述目标障碍物向所述车辆横向远离;以及所述目标障碍物与所述车辆的横向距离大于最小横向安全距离且小于第二横向阈值距离,并所述目标障碍物向所述车辆横向靠近;其中,所述第二横向阈值距离大于所述第一横向阈值距离;根据所述目标障碍物的纵向状态分类结果和横向状态分类结果,获得所述目标障碍物所属的状态类别。
于本发明的一实施例中,对所述目标障碍物的状态进行纵向状态分类,获得纵向状态分类结果的一种实现过程包括:根据所述目标障碍物的状态获得所述目标障碍物的纵向移动速度以及本车坐标系下探测所述目标障碍物的方向向量;创建纵向状态分类坐标系,包括:以所述目标障碍物的纵向移动速度与所述车辆的纵向移动速度之差Δv1作为纵向状态分类坐标系的纵坐标,以本车坐标系下探测所述目标障碍物的方向向量与所述车辆纵向移动速度方向向量的最小夹角ΔS作为纵向状态分类坐标系的横坐标,以(Δv1=0,ΔS=90°)作为纵向状态分类坐标系的坐标原点;所述纵向状态分类坐标系包括第一象限、第二象限、第三象限和第四象限;所述纵向状态分类结果包括对应第一象限的第一纵向分类结果、对应第二象限的第二纵向分类结果、对应第三象限的第三纵向分类结果和对应第四象限的第四纵向分类结果;其中,所述第二纵向分类结果和所述第四纵向分类结果是存在危险需要关注的分类结果。
于本发明的一实施例中,对所述目标障碍物的状态进行横向状态分类,获得横向状态分类结果的一种实现过程包括:根据所述目标障碍物的状态获得所述目标障碍物的横向移动速度以及本车坐标系下探测所述目标障碍物的方向向量;创建横向状态分类坐标系,包括:以所述目标障碍物的横向移动速度与所述车辆的横向移动速度之差Δv2作为横向状态分类坐标系的纵坐标,以所述目标障碍物与所述车辆横向间距作为横向状态分类坐标系的横坐标,以(Δv2=0,d0=0)作为横向状态分类坐标系的坐标原点;所述横向状态分类坐标系包括第一局部象限和第四局部象限;所述横向状态分类结果包括对应第一局部象限的第一横向分类结果和对应第四局部象限的第二横向分类结果。
于本发明的一实施例中,根据所述目标障碍物的纵向状态分类结果和横向状态分类结果,获得所述目标障碍物所属的状态类别的实现过程包括:所述目标障碍物所属的状态类别包括四类危险状态类别,分别为:第一危险状态类别,同时属于所述第二纵向分类结果和所述第一横向分类结果的情况:第二危险状态类别,同时属于所述第二纵向分类结果和所述第二横向分类结果的情况:第三危险状态类别,同时属于所述第四纵向分类结果和所述第一横向分类结果的情况:第四危险状态类别,同时属于所述第四纵向分类结果和所述第二横向分类结果的情况。
于本发明的一实施例中,所述将所述障碍物信息和环境图像信息融合处理,获得车辆周边的目标障碍物信息的实现过程包括:将采集所述障碍物信息的超声波感器和采集所述环境图像信息的图像传感器进行坐标同步,获得所述超声波传感器和所述图像传感器的外参矩阵;基于时间窗口和时间戳信息,利用所述超声波传感器和所述图像传感器的外参矩阵以及所述图像传感器的内参,将所述障碍物信息投射到对应的所述环境图像信息的坐标系下,获得融合图像;根据像素值对所述融合图像进行网格划分,计算每个网格内的超声波检测特征点的数量n;当n大于阈值k时,搜索对应网格内是否存在图像检测结果;若存在,则对于目标特征计算超声波传感器检测的距离S_1与图像传感器检测的距离S_2的误差d;若d小于或等于预设误差阈值D,则所述超声波传感器和所述图像传感器输出的目标特征为同一物体,并对所述目标特征进行融合矫正,计算出新的目标物距离S_r;若d大于预设误差阈值D,则所述超声波传感器和所述图像传感器输出的目标特征为不同物体,分别输出所述超声波传感器和所述图像传感器各自的检测结果;若不存在,则对超声波传感器检测的历史q帧数据进行分析,若所述历史q帧数据均稳定输出特征点,则输出当前帧超声波目标检测结果;若所述历史q帧数据不存在任何检测结果,则对应网格内的超声波检测特征点为噪点,剔除该超声波检测特征点。
于本发明的一实施例中,所述计算出新的目标物距离的实现过程包括:
S_r=f0×S_1+f1×S_2
其中,f0为超声波传感器检测输出的置信度,f1为图像传感器检测输出的置信度。
于本发明的一实施例中,所述车辆智能避障方法还包括:若所述目标障碍物所属的状态类别属于四类危险状态类别之一,则对所述环境图像信息进行边缘检测,分析所述目标障碍物相对车道线的可行驶区域或/和距离,补充验证所述目标障碍物所属的状态类别是否正确。
本发明提供一种车辆智能避障系统,所述车辆智能避障系统包括:环境信息获取模块,获得车辆周边的障碍物信息和环境图像信息;目标信息提取模块,与所述环境信息获取模块通信相连,将所述障碍物信息和环境图像信息融合处理,获得车辆周边的目标障碍物信息;环境模型,输入所述目标障碍物信息,输出所述目标障碍物的状态及所述目标障碍物所属的状态类别;指令输出模块,与所述环境模型的输出端通信相连,根据所述目标障碍物的状态类别和预设的安全行驶策略,输出对应的避障指令。
本发明提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的车辆智能避障方法。
本发明提供一种车机,所述车机包括:存储器,存储有一计算机程序;处理器,与所述存储器通信相连,调用所述计算机程序时实现所述的车辆智能避障方法。
本发明提供一种车辆,所述车辆包括:超声波雷达传感器,设置于车辆本体上;图像传感器,设置于车辆本体上;车机,内置于车辆中,与所述超声波雷达传感器和所述图像传感器通信相连。
如上所述,本发明所述的车辆智能避障方法、系统、介质、车机及车辆,具有以下有益效果:
本申请利用超声波雷达与摄像头融合感知的方法,解决了单个摄像头对近距离感知不稳定的问题;解决了单个摄像头探测存在盲区,无法识别加塞目标导致事故发生的问题,极大程度避免了事故发生风险;解决了因光线偏暗导致的识别问题和静态目标识别问题;降低了摄像头误识别假人假车问题,提高了摄像头深度探测精度。
附图说明
图1显示为现有技术中单摄像头探测存在的盲区示意图。
图2显示为本发明实施例所述的车辆智能避障方法的一种实现流程示意图。
图3显示为本发明实施例所述的车辆智能避障方法的步骤S220的一种实现流程示意图。
图4A显示为本发明实施例所述的车辆智能避障方法的一种示例流程示意图。
图4B显示为本发明实施例所述的车辆智能避障方法的本车坐标系示意图。
图5显示为本发明实施例所述的车辆智能避障方法的步骤S230的一种实现流程示意图。
图6A和图6B显示为本车坐标系下的目标障碍物与本车的方向向量示意图。
图6C显示为本发明实施例所述的车辆智能避障方法中的纵向状态分类坐标系示意图。
图7A和图7B显示为本车坐标系下的目标障碍物与本车速度的方向向量示意图。
图7C显示为本发明实施例所述的车辆智能避障方法中的横向状态分类坐标系示意图。
图8显示为本发明实施例所述的车辆智能避障系统的一种实现结构示意图。
图9显示为本发明实施例所述的车机的一种实现结构示意图。
图10显示为本发明实施例所述的车辆的一种实现结构示意图。
图11显示为本发明实施例所述的车辆的一种硬件结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
参见图1所示,其为单摄像头方案,摄像头FOV角度为120°,L1为右车道的外侧的车道线,L2为FOV的右侧的视场线,X1为摄像头安装点,在车辆的挡风玻璃正上方中间位置,X2为L1和L2的交叉点,D1为X1到X2的y向距离,D2为X1到X2的x方向距离,D3为X1到车头的距离1m,D4为车道宽度3.75m,则:D1=3.75+3.75/2=5.625m,D2=D1*tan30°=3.25m,车头前方盲区距离为D2-D3=2.25m,即旁侧车道车辆在距离本车车头x向距离为2.25m时才能探测到。可见,单个摄像头两侧存在部分盲区。
本发明通过在车辆上安装的超声波雷达扩大了探测范围,同时超声波与摄像头融合的结果作为盲区检测的结果,提供了更准确的旁侧车道的目标信息,可以将上述的盲区2.25m降为0m,解决了盲区探测问题。本发明结合横纵方向综合分析目标障碍物(例如:他车)与本车的相对状态,量化状态参数,对障碍物划分成四个不同的状态等级,从而更精准的规划横纵方向的车辆避障策略。
本申请在解决智能驾驶盲区探测问题时,使用了超声波雷达与摄像头融合感知的方法,能够探测到更大范围的目标信息,通过增加超声波雷达,扩大了扫描范围,覆盖了盲区范围。本申请通过超声波雷达与摄像头的融合解决了盲区探测的问题,具体实施方案参见如下描述。
请参阅图2所示,本发明实施例提供一种车辆智能避障方法,所述车辆智能避障方法包括:
S210,获得车辆周边通过超声波探测得到的障碍物信息和通过图像探测得到的环境图像信息;
S220,将所述障碍物信息和环境图像信息融合处理,获得车辆周边的目标障碍物信息;
S230a,将所述目标障碍物信息输入预设的环境模型,获得所述目标障碍物的状态及所述目标障碍物所属的状态类别;
S240,根据所述目标障碍物的状态类别和预设的安全行驶策略,输出对应的避障指令。
于本发明的一实施例中,所述车辆智能避障方法还可以包括:
S203b,若所述目标障碍物所属的状态类别属于四类危险状态类别之一,则对所述环境图像信息进行边缘检测,分析所述目标障碍物相对车道线的可行驶区域或/和距离,补充验证所述目标障碍物所属的状态类别是否正确。
于本发明的一实施例中,参见图3所示,步骤S220所述的将所述障碍物信息和环境图像信息融合处理,获得车辆周边的目标障碍物信息的一种实现过程包括:
S221,将采集所述障碍物信息的超声波感器和采集所述环境图像信息的图像传感器进行坐标同步,获得所述超声波传感器和所述图像传感器的外参矩阵;
S222,基于时间窗口和时间戳信息,利用所述超声波传感器和所述图像传感器的外参矩阵以及所述图像传感器的内参,将所述障碍物信息投射到对应的所述环境图像信息的坐标系下,获得融合图像;
S223,根据像素值对所述融合图像进行网格划分,计算每个网格内的超声波检测特征点的数量n;
S224,当n大于阈值k时,搜索对应网格内是否存在图像检测结果;
S225,若存在,则对于目标特征计算超声波传感器检测的距离S_1与图像传感器检测的距离S_2的误差d;
S226,若d小于或等于预设误差阈值D,则所述超声波传感器和所述图像传感器输出的目标特征为同一物体,并对所述目标特征进行融合矫正,计算出新的目标物距离S_r;
进一步,所述计算出新的目标物距离的实现过程包括:
S_r=f0×S_1+f1×S_2
其中,f0为超声波传感器检测输出的置信度,f1为图像传感器检测输出的置信度。
S227,若d大于预设误差阈值D,则所述超声波传感器和所述图像传感器输出的目标特征为不同物体,分别输出所述超声波传感器和所述图像传感器各自的检测结果;
S228,若不存在,则对超声波传感器检测的历史q帧数据进行分析,若所述历史q帧数据均稳定输出特征点,则输出当前帧超声波目标检测结果;若所述历史q帧数据不存在任何检测结果,则对应网格内的超声波检测特征点为噪点,剔除该超声波检测特征点。
具体地,以图4A所示一具体场景为例,本发明的实施过程可参考如下:
a、超声波探测模块(如超声波雷达、超声波传感器等)与图像探测模块(如摄像头)分别采集车辆周围的环境信息,超声波探测模块获取障碍物的距离信息S_1,摄像头感知目标物的距离S_2、速度v、ID等信息。
b、有无图像探测结果判断过程:若有图像探测结果输出,则进入融合算法模块。若无图像探测结果,则单独输出超声波探测结果。图像探测结果由图像探测模块采集获得,超声波探测结果由超声波探测模块采集获得。
c、融合算法模块流程如下:
(1)首先将(超声波探测、图像探测)两种传感器进行坐标同步,得到两种传感器的外参矩阵,即旋转矩阵与平移向量;将前视摄像头与四个超声波雷达坐标统一致以车辆后轴中心点为原点的坐标系(x,y)下,如图4B所示,(x_1,y_1)为摄像头坐标,(x_2,y_2)为超声波坐标;
(2)对超声波探测装置输出数据做过滤处理,去除有效探测范围以外的噪点,并对数据做滤波处理;
(3)使用时间窗口,匹配数据携带的时间戳信息,利用步骤(1)坐标同步所得的外参矩阵,以及摄像头内参,将超声波探测装置检测到的特征点投射到对应的图像坐标系下;
(4)将图像按像素值进行网格划分,计算每个网格内的超声波检测特征点的数量n,当n超过设定的阈值k时,搜索该网格内是否有图像检测结果,若存在,则计算超声波检测的距离S_1与图像检测的距离S_2的误差大小d;若该网格内不存在图像检测结果,基于超声波历史q帧数据分析,若q帧均稳定输出特征点,则输出该帧超声波目标检测结果;若该q帧不存在任何检测结果,则判断该网格特征点为噪点,剔除该特征点;
(5)设定误差阈值k,该阈值主要用于区分可能存在同一像素网格内,存在远近目标物的情况;
(6)若上述步骤(4)的误差d小于等于步骤(5)的误差阈值k,则判断两中传感器输出的目标特征为同一物体,并对该目标物的检测结果做融合矫正,通过加权平均值的方法计算出新的目标物距离S_r,计算公式如下:
S_r=f0×S_1+f1×S_2
其中,f0为超声波检测输出的置信度,f1为图像检测输出的置信度。超声波输出的置信度根据环境温度信息与超声波数据信息得到,主要因为超声波的传播速度受温度影响较大。图像检测的置信度根据天气可见度状况与图像数据得到,主要因为图像检测受环境可见度影响较大。
定义温度对超声波的影响因素为m1,超声波自身的数据的因素为m2,根据m1与m2,超声波检测输出的置信度f0=m1×m2,其中温度影响因素m1定义如下表二:
表二:
m2为超声波输出信息异常程度值,这里m1(a、b)、m2均为0~1范围内的值,其中a>b;
定义天气对图像检测的影响因素为k1,基于图像数据因素为k2,根据k1,k2,图像检测输出的置信度f1=k1×k2,其中天气影响因素k1定义如下表三:
表三:
天气 | k1 |
晴天(可见度高) | a |
阴天(可见度中) | b |
雾霾天(可见度低) | c |
k2为基于深度学习的图像检测算法输出的置信度,这里k1(a、b、c)、k2均为0~1范围内的值,其中a>b>c;
若上述步骤(4)的误差d大于步骤(5)的误差阈值k,则有足够理由判断,两种传感器分别检测了两个远近不同距离的目标物,此时分别保留两类传感器的检测结果并输出;
d、将上述步骤输出的包含目标物ID、距离S、速度v等信息的结构化数据输入至环境模型,结合前文横纵方向驾驶行为分析得出的感兴趣区域,分析他车辆所处的行驶状态与对本车辆构成的风险级别,从而规划本车辆的巡航策略。
于本发明的一实施例中,参见图5所示,步骤S230中,获得所述目标障碍物所属的状态类别的一种实现过程包括:
S231,对所述目标障碍物的状态进行纵向状态分类,获得纵向状态分类结果;
S232,对所述目标障碍物的状态进行横向状态分类,获得横向状态分类结果;
S233,根据所述目标障碍物的纵向状态分类结果和横向状态分类结果,获得所述目标障碍物所属的状态类别;
其中,所述纵向状态分类结果包括:所述目标障碍物位于所述车辆前方或后方,以及所述目标障碍物的纵向移动速度相对于所述车辆的纵向移动速度快或慢。所述纵向状态分类结果包括:所述目标障碍物与所述车辆的横向距离大于最小横向安全距离且小于第一横向阈值距离,并所述目标障碍物向所述车辆横向远离;以及所述目标障碍物与所述车辆的横向距离大于最小横向安全距离且小于第二横向阈值距离,并所述目标障碍物向所述车辆横向靠近;其中,所述第二横向阈值距离大于所述第一横向阈值距离。
进一步,对所述目标障碍物的状态进行纵向状态分类,获得纵向状态分类结果的一种实现过程包括:
根据所述目标障碍物的状态获得所述目标障碍物的纵向移动速度以及本车坐标系下探测所述目标障碍物的方向向量;
创建纵向状态分类坐标系,包括:以所述目标障碍物的纵向移动速度与所述车辆的纵向移动速度之差Δv1作为纵向状态分类坐标系的纵坐标,以本车坐标系下探测所述目标障碍物的方向向量与所述车辆纵向移动速度方向向量的最小夹角ΔS作为纵向状态分类坐标系的横坐标,以(Δv1=0,ΔS=90°)作为纵向状态分类坐标系的坐标原点;
所述纵向状态分类坐标系包括第一象限、第二象限、第三象限和第四象限;所述纵向状态分类结果包括对应第一象限的第一纵向分类结果、对应第二象限的第二纵向分类结果、对应第三象限的第三纵向分类结果和对应第四象限的第四纵向分类结果;其中,所述第二纵向分类结果和所述第四纵向分类结果是存在危险需要关注的分类结果。
例如:假设该目标障碍物为一车辆(简称他车),设置参数如下:
1)Δv1:本车纵向速度v1_s减去他车纵向速度v1_e,Δv1<0表示本车纵向速度比他车纵向速度慢,Δv1>0表示本车纵向速度比他车纵向速度快。
纵向车辆状态分类如图6C所示,原点(0,90)表示(Δv1=0,ΔS=90°),象限A表示本车在他车前方,且速度比他车快,此时较为安全;象限B表示本车在他车后方,且速度比他车快,此时需要关注他车行驶状态随时调整本车驾驶状态;象限C表示本车在他车后方,且速度比他车慢,故此时亦较为安全;象限D表示本车在他车前方,且速度比他车慢,此时需要关注他车行驶状态随时调整本车驾驶状态。因此本申请更需要关注象限B与D的车辆状态。
进一步,对所述目标障碍物的状态进行横向状态分类,获得横向状态分类结果的一种实现过程包括:
根据所述目标障碍物的状态获得所述目标障碍物的横向移动速度以及本车坐标系下探测所述目标障碍物的方向向量;
创建横向状态分类坐标系,包括:以所述目标障碍物的横向移动速度与所述车辆的横向移动速度之差Δv2作为横向状态分类坐标系的纵坐标,以所述目标障碍物与所述车辆横向间距作为横向状态分类坐标系的横坐标,以(Δv2=0,d0=0)作为横向状态分类坐标系的坐标原点;
所述横向状态分类坐标系包括第一局部象限和第四局部象限;所述横向状态分类结果包括对应第一局部象限的第一横向分类结果和对应第四局部象限的第二横向分类结果。
例如:假设该目标障碍物为一车辆(简称他车),设置参数如下:
其中,v2_s表示本车横向速度,v2_e表示他车横向速度,横纵向车速均有车速基于车辆横纵坐标系分解而来,对于每辆车来说,定义横向速度为正表示速度方向右,横向速度为负表示速度方向向左。
当Δv2>0表示他车向本车靠近,Δv2<0表示他车向本车远离。
3)Δd=S×|sinΔθ|,表示他车与本车的横向间距,其中S为超声波雷达探测的他车距离。
横向车辆状态分类如图7C所示,定义d0为正常行驶的两辆车最小的横向安全距离,当他车距离本车横向距离小于d1时,此时需要密切关注驾驶状态,即使他车速度相对远离本车,仍有较高的危险度,故S1区域需要更多关注;当他车在靠近本车时,此时的安全距离阈值d2大于d1,故S2区域也需要密切关注车辆状态。这里的d0、d1、d2并非固定值,而是与车辆行驶速度相关的动态变量。根据经验值与驾驶数据分析,预设定义如下:
d0=ω0×v0,ω0=0.8
d1=ω1×v0,ω1=0.9
其中,v0是主车速度,单位为km/h。
于本发明的一实施例中,根据所述目标障碍物的纵向状态分类结果和横向状态分类结果,获得所述目标障碍物所属的状态类别的实现过程包括:
所述目标障碍物所属的状态类别包括四类危险状态类别,分别为:
第一危险状态类别,同时属于所述第二纵向分类结果和所述第一横向分类结果的情况:
第二危险状态类别,同时属于所述第二纵向分类结果和所述第二横向分类结果的情况:
第三危险状态类别,同时属于所述第四纵向分类结果和所述第一横向分类结果的情况:
第四危险状态类别,同时属于所述第四纵向分类结果和所述第二横向分类结果的情况。具体地,经过上述分析的四个重点关注状态,整理如下表一所示的四种情况分析:
表一:车辆综合状态分类
若存在目标障碍物处于表1中B-S1状态,则建议发出车道内纵向减速避让请求,危险系数较高,可定义为β=70%;
若存在目标障碍物处于表1中B-S2状态,则建议发出车道内纵向减速避让请求、横向避让请求,危险系数高,可定义为β=90%;
若存在目标障碍物处于表1中D-S1状态,则建议发出车道内纵向加速避让请求,危险系数较高,定义为β=70%;
若存在目标障碍物处于表1中D-S2状态,则建议发出车道内纵向加速避让请求、横向避让请求,危险系数高,定义为β=90%。
对于单超声波雷达输出的数据,则针对目标障碍物状态发出相应的警告。
本发明对于两种传感器重叠感知区域,将图像按像素网格化处理,结合超声波探测结果,融合矫正图像深度检测的精度,提升相邻像素点不同深度的目标探测精度。对于摄像头盲区,使用超声波雷达探测数据,结合历史帧提升数据精准度,实现对摄像头探测的补盲,也提升了对周围障碍物的提前感知与状态判断,从而供预警与规划模块做出相应的驾驶策略。
本申请利用超声波雷达与摄像头融合感知的方法,解决了单个摄像头对近距离感知不稳定的问题;解决了单个摄像头探测存在盲区,无法识别加塞目标导致事故发生的问题,极大程度避免了事故发生风险;解决了因光线暗导致的识别问题和静态目标识别问题;降低了摄像头误识别假人假车问题,提高了摄像头深度探测精度。
本申请还解决了高级别智能驾驶方案使用过多传感器,导致整体方案价格成本过高的问题。
本发明所述的车辆智能避障方法的保护范围不限于本实施例列举的步骤执行顺序,凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本发明还提供一种车辆智能避障系统,所述车辆智能避障系统可以实现本发明所述的车辆智能避障方法,但本发明所述的车辆智能避障方法的实现装置包括但不限于本实施例列举的车辆智能避障系统的结构,凡是根据本发明的原理所做的现有技术的结构变形和替换,都包括在本发明的保护范围内。
本发明实施例提供一种车辆智能避障系统,参见图8所示,所述车辆智能避障系统800包括:环境信息获取模块810,目标信息提取模块820,环境模型830,指令输出模块840。
所述环境信息获取模块810获得车辆周边的障碍物信息和环境图像信息。
所述目标信息提取模块820与所述环境信息获取模块810通信相连,将所述障碍物信息和环境图像信息融合处理,获得车辆周边的目标障碍物信息。
所述环境模型830输入所述目标障碍物信息,输出所述目标障碍物的状态及所述目标障碍物所属的状态类别。
所述指令输出模块840与所述环境模型830的输出端通信相连,根据所述目标障碍物的状态类别和预设的安全行驶策略,输出对应的避障指令。
本发明所述的车辆智能避障系统可以实现所述车辆智能避障方法的功能,所述车辆智能避障系统的各模块执行的具体步骤或功能可参见车辆智能避障方法的描述,在此不再对各功能模块的实施细节重复描述。所述车辆智能避障系统的模块划分可根据实际需要进行灵活调整,不局限于本实施例列举的划分方式。
本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的车辆智能避障方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的计算机可读存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的计算机存储介质。
本发明实施例提供一种车机,参见图9所示,所述车机900包括:存储器910,处理器920。所述存储器910存储有一计算机程序;所述处理器920与所述存储器910通信相连,调用所述计算机程序时实现本发明实施例以上所述的车辆智能避障方法。
所述处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现场可编程门阵列(Field Programmable GateArray,简称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。
所述存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
于实际应用中,所述车机可以是包括存储器、存储控制器、一个或多个处理单元(CPU)、外设接口、RF电路、音频电路、扬声器、麦克风、输入/输出(I/O)子系统、显示屏、其他输出或控制设备,以及外部端口等所有或部分组件的计算机;所述计算机包括但不限于如台式电脑、笔记本电脑、平板电脑、智能手机、智能电视、个人数字助理(Personal DigitalAssistant,简称PDA)等个人电脑。
本发明实施例还提供一种车辆,参见图10所示,所述车辆100包括:超声波传感器101,图像传感器102,车机。所述超声波传感器101设置于车辆本体上;所述图像传感器102设置于车辆本体上;所述车机内置于车辆中,与所述超声波传感器101和所述图像传感器102通信相连。所述车机包括:存储器和处理器;所述存储器存储有一计算机程序;所述处理器与所述存储器通信相连,调用所述计算机程序时实现本发明实施例以上所述的车辆智能避障方法。
本实施例提供一种车辆的示例性硬件架构设计,参见图11所示,其中:
布置方面:通过布置在车辆前方的四个超声波雷达(前方及两侧各两个超声波雷达)与前向水平FOV为120°的摄像头进行感知融合,进而探测盲区,四个超声波雷达的部署位置如图所示,允许实际部署存在较小的误差。根据实际需求,若车辆上部署六颗超声波雷达,本方案亦可实施,本方案的技术方法也在保护范围内。本发明的保护范围不受硬件部署的限制。
架构方面:超声波雷达与前视摄像头及控制器一体机直连,直接将探测感知结果输出到摄像头一体机,通过一体机融合后结合规划控制算法发出控制信号给到执行器控制器。
软件模块方面:设置超声波探测模块和摄像头探测模块,以及上述两者输出给到的融合模块和环境模型模块。本发明基于超声波雷达和摄像头融合探测的目标实现智能驾驶状态控制,分别基于融合模块与单独的超声波探测模块输出障碍物目标信息,再通过环境模型判断目标障碍车辆所属状态,进行状态分类,从而对车辆发送不同的避障请求或警告,继而传输车道保持与巡航策略模块。
本发明所述方案可以有多种变形设计。例如:通过超声波雷达的数量变化和位置调整可以实现同样的功能,或者使用同样的方法探测侧面或者后面等其他方位的盲区。超声波雷达与摄像头的连接方式的变化可以如增加转接盒或其他控制器等。实现本发明相同的效果,采用超声波雷达与摄像头融合的方式,对应的软件模块也可以在实现原理不变的基础上对应设计多种变形。
综上所述,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (12)
1.一种车辆智能避障方法,其特征在于,所述车辆智能避障方法包括:
获得车辆周边超声波探测得到的障碍物信息和图像探测得到的环境图像信息;
将所述障碍物信息和环境图像信息融合处理,获得车辆周边的目标障碍物信息;
将所述目标障碍物信息输入预设的环境模型,获得所述目标障碍物的状态及所述目标障碍物所属的状态类别;
根据所述目标障碍物的状态类别和预设的安全行驶策略,输出对应的避障指令。
2.根据权利要求1所述的车辆智能避障方法,其特征在于,获得所述目标障碍物所属的状态类别的步骤包括:
对所述目标障碍物的状态进行纵向状态分类,获得纵向状态分类结果;所述纵向状态分类结果包括:所述目标障碍物位于所述车辆前方或后方,以及所述目标障碍物的纵向移动速度相对于所述车辆的纵向移动速度快或慢;
对所述目标障碍物的状态进行横向状态分类,获得横向状态分类结果;所述纵向状态分类结果包括:所述目标障碍物与所述车辆的横向距离大于最小横向安全距离且小于第一横向阈值距离,并所述目标障碍物向所述车辆横向远离;以及所述目标障碍物与所述车辆的横向距离大于最小横向安全距离且小于第二横向阈值距离,并所述目标障碍物向所述车辆横向靠近;其中,所述第二横向阈值距离大于所述第一横向阈值距离;
根据所述目标障碍物的纵向状态分类结果和横向状态分类结果,获得所述目标障碍物所属的状态类别。
3.根据权利要求2所述的车辆智能避障方法,其特征在于,对所述目标障碍物的状态进行纵向状态分类,获得纵向状态分类结果的一种实现过程包括:
根据所述目标障碍物的状态获得所述目标障碍物的纵向移动速度以及本车坐标系下探测所述目标障碍物的方向向量;
创建纵向状态分类坐标系,包括:以所述目标障碍物的纵向移动速度与所述车辆的纵向移动速度之差Δv1作为纵向状态分类坐标系的纵坐标,以本车坐标系下探测所述目标障碍物的方向向量与所述车辆纵向移动速度方向向量的最小夹角ΔS作为纵向状态分类坐标系的横坐标,以(Δv1=0,ΔS=90°)作为纵向状态分类坐标系的坐标原点;
所述纵向状态分类坐标系包括第一象限、第二象限、第三象限和第四象限;所述纵向状态分类结果包括对应第一象限的第一纵向分类结果、对应第二象限的第二纵向分类结果、对应第三象限的第三纵向分类结果和对应第四象限的第四纵向分类结果;其中,所述第二纵向分类结果和所述第四纵向分类结果是存在危险需要关注的分类结果。
4.根据权利要求3所述的车辆智能避障方法,其特征在于,对所述目标障碍物的状态进行横向状态分类,获得横向状态分类结果的一种实现过程包括:
根据所述目标障碍物的状态获得所述目标障碍物的横向移动速度以及本车坐标系下探测所述目标障碍物的方向向量;
创建横向状态分类坐标系,包括:以所述目标障碍物的横向移动速度与所述车辆的横向移动速度之差Δv2作为横向状态分类坐标系的纵坐标,以所述目标障碍物与所述车辆横向间距作为横向状态分类坐标系的横坐标,以(Δv2=0,d0=0)作为横向状态分类坐标系的坐标原点;
所述横向状态分类坐标系包括第一局部象限和第四局部象限;所述横向状态分类结果包括对应第一局部象限的第一横向分类结果和对应第四局部象限的第二横向分类结果。
5.根据权利要求4所述的车辆智能避障方法,其特征在于,根据所述目标障碍物的纵向状态分类结果和横向状态分类结果,获得所述目标障碍物所属的状态类别的实现过程包括:
所述目标障碍物所属的状态类别包括四类危险状态类别,分别为:
第一危险状态类别,同时属于所述第二纵向分类结果和所述第一横向分类结果的情况:
第二危险状态类别,同时属于所述第二纵向分类结果和所述第二横向分类结果的情况:
第三危险状态类别,同时属于所述第四纵向分类结果和所述第一横向分类结果的情况:
第四危险状态类别,同时属于所述第四纵向分类结果和所述第二横向分类结果的情况。
6.根据权利要求1所述的车辆智能避障方法,其特征在于:所述将所述障碍物信息和环境图像信息融合处理,获得车辆周边的目标障碍物信息的实现过程包括:
将采集所述障碍物信息的超声波感器和采集所述环境图像信息的图像传感器进行坐标同步,获得所述超声波传感器和所述图像传感器的外参矩阵;
基于时间窗口和时间戳信息,利用所述超声波传感器和所述图像传感器的外参矩阵以及所述图像传感器的内参,将所述障碍物信息投射到对应的所述环境图像信息的坐标系下,获得融合图像;
根据像素值对所述融合图像进行网格划分,计算每个网格内的超声波检测特征点的数量n;
当n大于阈值k时,搜索对应网格内是否存在图像检测结果;
若存在,则对于目标特征计算超声波传感器检测的距离S_1与图像传感器检测的距离S_2的误差d;若d小于或等于预设误差阈值D,则所述超声波传感器和所述图像传感器输出的目标特征为同一物体,并对所述目标特征进行融合矫正,计算出新的目标物距离S_r;若d大于预设误差阈值D,则所述超声波传感器和所述图像传感器输出的目标特征为不同物体,分别输出所述超声波传感器和所述图像传感器各自的检测结果;
若不存在,则对超声波传感器检测的历史q帧数据进行分析,若所述历史q帧数据均稳定输出特征点,则输出当前帧超声波目标检测结果;若所述历史q帧数据不存在任何检测结果,则对应网格内的超声波检测特征点为噪点,剔除该超声波检测特征点。
7.根据权利要求6所述的车辆智能避障方法,其特征在于,所述计算出新的目标物距离的实现过程包括:
S_r=f0×S_1+f1×S_2
其中,f0为超声波传感器检测输出的置信度,f1为图像传感器检测输出的置信度。
8.根据权利要求1所述的车辆智能避障方法,其特征在于,所述车辆智能避障方法还包括:
若所述目标障碍物所属的状态类别属于四类危险状态类别之一,则对所述环境图像信息进行边缘检测,分析所述目标障碍物相对车道线的可行驶区域或/和距离,补充验证所述目标障碍物所属的状态类别是否正确。
9.一种车辆智能避障系统,其特征在于,所述车辆智能避障系统包括:
环境信息获取模块,获得车辆周边的障碍物信息和环境图像信息;
目标信息提取模块,与所述环境信息获取模块通信相连,将所述障碍物信息和环境图像信息融合处理,获得车辆周边的目标障碍物信息;
环境模型,输入所述目标障碍物信息,输出所述目标障碍物的状态及所述目标障碍物所属的状态类别;
指令输出模块,与所述环境模型的输出端通信相连,根据所述目标障碍物的状态类别和预设的安全行驶策略,输出对应的避障指令。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至8任一项所述的车辆智能避障方法。
11.一种车机,其特征在于,所述车机包括:
存储器,存储有一计算机程序;
处理器,与所述存储器通信相连,调用所述计算机程序时实现权利要求1至8任一项所述的车辆智能避障方法。
12.一种车辆,其特征在于,所述车辆包括:
超声波雷达传感器,设置于车辆本体上;
图像传感器,设置于车辆本体上;
权利要求11所述的车机,内置于车辆中,与所述超声波雷达传感器和所述图像传感器通信相连。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210952345.1A CN115257717B (zh) | 2022-08-09 | 2022-08-09 | 车辆智能避障方法、系统、介质、车机及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210952345.1A CN115257717B (zh) | 2022-08-09 | 2022-08-09 | 车辆智能避障方法、系统、介质、车机及车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115257717A true CN115257717A (zh) | 2022-11-01 |
CN115257717B CN115257717B (zh) | 2023-07-04 |
Family
ID=83750779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210952345.1A Active CN115257717B (zh) | 2022-08-09 | 2022-08-09 | 车辆智能避障方法、系统、介质、车机及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115257717B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180319396A1 (en) * | 2017-05-02 | 2018-11-08 | Cnh Industrial America Llc | Obstacle detection system for a work vehicle |
CN110362077A (zh) * | 2019-07-03 | 2019-10-22 | 上海交通大学 | 无人驾驶车辆紧急避险决策系统、方法及介质 |
JP2020050342A (ja) * | 2019-12-16 | 2020-04-02 | 日立オートモティブシステムズ株式会社 | 車両の運動制御装置 |
CN113093178A (zh) * | 2021-04-21 | 2021-07-09 | 中国第一汽车股份有限公司 | 一种障碍物目标检测方法、装置、域控制器及车辆 |
CN113119963A (zh) * | 2017-07-28 | 2021-07-16 | 现代摩比斯株式会社 | 智能超声系统、车辆后方碰撞警告装置及其控制方法 |
US20210300361A1 (en) * | 2020-03-30 | 2021-09-30 | Aisin Seiki Kabushiki Kaisha | Obstacle detection device and driving assistance system |
CN114724110A (zh) * | 2022-04-08 | 2022-07-08 | 天津天瞳威势电子科技有限公司 | 目标检测方法及设备 |
-
2022
- 2022-08-09 CN CN202210952345.1A patent/CN115257717B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180319396A1 (en) * | 2017-05-02 | 2018-11-08 | Cnh Industrial America Llc | Obstacle detection system for a work vehicle |
CN113119963A (zh) * | 2017-07-28 | 2021-07-16 | 现代摩比斯株式会社 | 智能超声系统、车辆后方碰撞警告装置及其控制方法 |
CN110362077A (zh) * | 2019-07-03 | 2019-10-22 | 上海交通大学 | 无人驾驶车辆紧急避险决策系统、方法及介质 |
JP2020050342A (ja) * | 2019-12-16 | 2020-04-02 | 日立オートモティブシステムズ株式会社 | 車両の運動制御装置 |
US20210300361A1 (en) * | 2020-03-30 | 2021-09-30 | Aisin Seiki Kabushiki Kaisha | Obstacle detection device and driving assistance system |
CN113093178A (zh) * | 2021-04-21 | 2021-07-09 | 中国第一汽车股份有限公司 | 一种障碍物目标检测方法、装置、域控制器及车辆 |
CN114724110A (zh) * | 2022-04-08 | 2022-07-08 | 天津天瞳威势电子科技有限公司 | 目标检测方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115257717B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109870680B (zh) | 一种目标分类方法及装置 | |
Aycard et al. | Intersection safety using lidar and stereo vision sensors | |
US20230110116A1 (en) | Advanced driver assist system, method of calibrating the same, and method of detecting object in the same | |
US8233663B2 (en) | Method for object formation | |
CN107985189B (zh) | 面向高速驾驶环境下的驾驶员变道深度预警方法 | |
US20220373353A1 (en) | Map Updating Method and Apparatus, and Device | |
Magnier et al. | Automotive LIDAR objects detection and classification algorithm using the belief theory | |
EP4296713A1 (en) | Target detection method, storage medium, electronic device, and vehicle | |
KR20200126141A (ko) | 다중 라이다를 이용한 다중 물체 인식 시스템 및 방법 | |
WO2020215254A1 (zh) | 车道线地图的维护方法、电子设备与存储介质 | |
WO2023092870A1 (zh) | 一种适用于自动驾驶车辆的挡土墙检测方法及系统 | |
Li et al. | Judgment and optimization of video image recognition in obstacle detection in intelligent vehicle | |
CN112348000A (zh) | 障碍物识别方法、装置、系统及存储介质 | |
CN114882701B (zh) | 车位检测方法、装置、电子设备及机器可读存储介质 | |
KR20200087354A (ko) | 자율주행용 데이터 라벨링 장치 및 방법 | |
Faisal et al. | Object detection and distance measurement using AI | |
Kim et al. | Multi-sensor-based detection and tracking of moving objects for relative position estimation in autonomous driving conditions | |
CN114972941A (zh) | 被遮挡车辆三维检测的决策融合方法、装置及电子设备 | |
US20230060542A1 (en) | Method and Apparatus for Evaluating Maps for Autonomous Driving and Vehicle | |
CN112529011A (zh) | 目标检测方法及相关装置 | |
CN115257717A (zh) | 车辆智能避障方法、系统、介质、车机及车辆 | |
Ye et al. | The implementation of lane detective based on OpenCV | |
Eraqi et al. | Static free space detection with laser scanner using occupancy grid maps | |
CN116215520A (zh) | 基于超声波和3d环视的车辆碰撞预警及处理方法、装置 | |
CN113611008B (zh) | 一种车辆行驶场景采集方法、装置、设备及介质 |
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 |