CN115265630A - 一种基于fdr对传感器识别静态物体信息进行筛选的方法 - Google Patents
一种基于fdr对传感器识别静态物体信息进行筛选的方法 Download PDFInfo
- Publication number
- CN115265630A CN115265630A CN202210877616.1A CN202210877616A CN115265630A CN 115265630 A CN115265630 A CN 115265630A CN 202210877616 A CN202210877616 A CN 202210877616A CN 115265630 A CN115265630 A CN 115265630A
- Authority
- CN
- China
- Prior art keywords
- information
- fdr
- value
- vehicle
- roadside
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于FDR对传感器识别静态物体信息进行筛选的方法，涉及智能驾驶技术领域；包括：当智能驾驶车辆将在行驶一段区间内的感知信息传到云端之后，采用同时期内路侧单元提供的路侧信息来对该车辆的识别信息准确率进行假设检验，得到一定的检验统计量和p值；云端用于将车辆固有的识别信息准确率、p值以及感知信息返回至智能驾驶车辆；智能驾驶车辆得到p值之后，基于FDR进行信息选择，同时车辆在结合自身信息进行信息融合时乘以一个随着时间变化的权重w(t)进行时效性修正；既能做到选择更多更可信的数据，又能控制错误信息的比例在一定范围之内，提高了整车在环境感知方面的可靠度。
Description
技术领域
本发明涉及智能驾驶技术领域，具体是一种基于FDR对传感器识别静态物体信息进行筛选的方法。
背景技术
在高阶智能驾驶领域，“车-路-云”系统是目前流行的方法之一，其核心技术V2X(Vehicle to Everything)是车路协同的关键。在单车智能无法覆盖全或者一些极端情况下，V2X技术中的V2I和V2V能够对单车智能进行补足。V2I技术可以实现超视距的路况感知，路侧单元全天候对固定范围内路况进行感知，并上传到云端，再从云端传给单车。V2V技术是可以将之前车辆的感知信息上传到云端，再从云端传给单车。这里的感知信息不仅仅是车辆的运动信息，还包括了该车辆的其它感知信息，比如道路信息，障碍物信息等。由于云端的存在，即使在一些恶劣天气环境下，由于一些固有的道路信息不会发生明显变化(比如车道线，十字路口，红绿灯等等)，即使单车感知性能会降低，也可以通过V2X技术的支持进行补足；
但是，单车能感知的信息很大程度上取决于传感器的性能，各类传感器都有其优缺点，传感器融合技术通过将各传感器的信息收集进行融合从而得到更准确的估计；当传感器出现偏差的时候，会影响到融合后的估计，进而造成偏差以及产生一些隐患。那么在面对多个信息的情况下，筛选出更可靠的信息成了一个值得探讨的问题，同时智能驾驶的核心之一是要保证时效性，即如果信息来源很多，不可能有足够的时间把所有的信息都融合；基于以上不足，本发明提出一种基于FDR对传感器识别静态物体信息进行筛选的方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于FDR对传感器识别静态物体信息进行筛选的方法。
为实现上述目的，根据本发明的第一方面的实施例提出一种基于FDR对传感器识别静态物体信息进行筛选的方法，包括如下步骤：
步骤一：当智能驾驶车辆将在行驶一段区间内的感知信息传到云端之后，采用同时期内路侧单元提供的路侧信息来对该车辆的识别信息准确率进行假设检验；得到一定的检验统计量和p值；
步骤二：云端将计算的p值和获取的智能驾驶车辆的感知信息以及车辆固有的识别信息准确率返回至发送请求的智能驾驶车辆；
请求的智能驾驶车辆在得到p值之后，基于FDR进行信息选择，具体采用Benjamini-Hochberg法；步骤如下：
按照升序的方法对上述p值进行排序，得到p(1)≤p(2)≤…≤p(m)；
对于给定统计显著性值α∈(0,1)，找到最大的k，使得p(k)≤α×k/m；
对于排序靠前的k个假设检验，拒绝H0，即最后只接受p(k+1)到p(m)所对应的信息来源；其中，如果m-k≤n，则这些信息全部融合；
如果m-k＞n，则根据p值计算FDR，先计算FDR(i)＝p(i)×m/i，若FDR(i)大于FDR(i+1)则将其值替代为FDR(i+1)，然后选最大的n个FDR(i)所对应的信息进行融合。若出现j个(j>n)FDR(i)值等于p(m)的情况，则直接从p(i)中选n个最大的p值对应的信息进行融合。
进一步地，步骤一中假设检验的具体步骤为：
以路侧单元识别的路侧信息为真值来对车辆识别信息进行判断；
若车辆识别信息与路侧单元识别的信息一致，则识别成功；若不一致，则识别失败；再经过二项分布假设检验之后，得到一定的检验统计量和p值；其中p值为统计学中二项分布假设的统计值。
进一步地，其中，二项分布假设包括H0、H1；H0为该车辆在一定区间内的识别信息准确率小于等于该车出厂的识别信息准确率；H1为H0的对立假设。
进一步地，该方法还包括：对FDR(i)进行时效性修正，令FDR(i)乘以权重w(t)得到修正值；然后选最高的n个修正值所对应的信息进行融合。
进一步地，权重w(t)的具体获取方法为：
首先获取对应信息的时间戳，将时间戳与系统当前时间进行比较，得到时间差；将时间差换算成以分钟为单位，得到t值；
则权重w(t)＝cos(t*p(i)*δ/60)，再归一化，其中δ是个常数；
或者权重w(t)＝log(-x/100+e)，再归一化；
或者时间t服从正态分布N(0，1)，计算其概率密度函数，再根据概率密度函数的值进行归一化，得到权重w(t)。
进一步地，路侧单元包括：激光雷达、摄像头以及气象监测装置；路侧单元通过光纤与云端相连接，将采集到的路侧信息通过光纤传输到云端；所述路侧信息包括障碍物、车道线、十字路口以及红绿灯。
与现有技术相比，本发明的有益效果是：
本发明中采用同时期内路侧单元提供的路侧信息来对该车辆的识别信息准确率进行假设检验，再经过二项分布假设检验之后，得到一定的检验统计量和p值；所述智能驾驶车辆在得到p值之后，基于FDR进行信息选择，具体采用Benjamini-Hochberg法，过滤了冗余的信息，减少了不必要的计算；在面对多种信息来源的情况下，既能做到选择更多更可信的数据，又能控制错误信息的比例在一定范围之内，提高了整车在环境感知方面的可靠度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于FDR对传感器识别静态物体信息进行筛选的方法的原理框图。
具体实施方式
下面将结合实施例对本发明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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
每个传感器识别信息都有一定的准确率，在智能驾驶领域各传感器识别信息的准确率至少要达到95％以上。由于各种智能驾驶车辆在投产之前一定会经过测试，测试之后可以报告各传感器识别信息的准确率。在V2X技术下，当从云端获取别的车辆的感知数据时，需要判断所报告准确率是否真实；其中，FDR即false discovery rate，代表错误发现率；
如图1所示，一种基于FDR对传感器识别静态物体信息进行筛选的方法，包括如下步骤：
步骤一：当智能驾驶车辆将在行驶一段区间内的感知信息传到云端之后，采用同时期内路侧单元提供的路侧信息来对该车辆的识别信息准确率进行假设检验；具体为：
以路侧单元识别的路侧信息为真值来对车辆识别信息进行判断，若车辆识别信息与路侧单元识别的信息一致，则识别成功；若不一致，则识别失败；
再经过二项分布假设检验之后，得到一定的检验统计量和p值；其中p值为统计学中二项分布假设的统计值；
其中，二项分布假设包括H0、H1；H0为该车辆在一定区间内的识别信息准确率小于等于该车出厂的识别信息准确率；H1为H0的对立假设；
其中，路侧单元包括：激光雷达、摄像头、气象监测装置，所述路侧单元通过光纤与云端相连接，将采集到的路侧信息通过光纤传输到云端；所述路侧信息包括障碍物、车道线，十字路口，红绿灯等等；
步骤二：云端将计算的p值和获取的智能驾驶车辆的感知信息以及车辆固有的识别信息准确率返回至发送请求的智能驾驶车辆；请求的智能驾驶车辆在得到p值之后，基于FDR进行信息选择，具体采用Benjamini-Hochberg法；步骤如下：
按照升序的方法对上述p值进行排序，得到p(1)≤p(2)≤…≤p(m)；
对于给定统计显著性值α∈(0,1)，一般选择0.05，找到最大的k，使得p(k)≤α×k/m；
对于排序靠前的k个假设检验，拒绝H0；即最后只接受p(k+1)到p(m)所对应的信息来源；其中，如果m-k≤n，则这些信息全部融合；
如果m-k＞n，则根据p值计算FDR，先计算FDR(i)＝p(i)×m/i，若FDR(i)大于FDR(i+1)则将其值替代为FDR(i+1)，然后选最大的n个FDR(i)所对应的信息进行融合。若出现j个(j>n)FDR(i)值等于p(m)的情况，则直接从p(i)中选n个最大的p值对应的信息进行融合；
由于每个车辆传递到云端的数据的时间不同，不同的时间传递的信息会牵扯到时效性，车辆在结合自身信息进行信息融合的时候应该考虑到时效性的修正，可以采取一个乘以随着时间变化的惩罚系数的方式；
例如我们可以考虑要求云端给出半小时内的识别信息，并报告传递信息的时间戳，这样可以采用一个非线性函数，函数满足一定的性质，目的是时间越接近，其信息可信度更高；时间越遥远，其信息可信度越低。将时间戳换算成以分钟为单位，例如一分半前的时间戳即为1.5分钟；
在本实施例中，该方法还包括：对FDR(i)进行时效性修正，令FDR(i)乘以权重w(t)得到修正值；然后选最高的n个修正值所对应的信息进行融合；
其中权重w(t)的获取方法有如下几种类型：
1)先计算权重w(t)＝log(-t/100+e)，再归一化；
考虑时间t服从正态分布N(0,1)(正态分布的方差可以调整)，计算其概率密度函数，再根据概率密度函数的值进行归一化；
先计算权重w(t)＝cos(t*p(i)*δ/60)，再归一化，其中δ是个常数，目的是调整权重；
本发明在面对多种信息来源的情况下，过滤了冗余的信息，减少了不必要的计算；既能做到选择更多更可信的数据，又能控制错误信息的比例在一定范围之内，提高了整车在环境感知方面的可靠度，为“车-路-云”系统下V2X技术的推广以及未来信息筛选提供思路和借鉴。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理：
一种基于FDR对传感器识别静态物体信息进行筛选的方法，在工作时，当智能驾驶车辆将在行驶一段区间内的感知信息传到云端之后，采用同时期内路侧单元提供的路侧信息来对该车辆的识别信息准确率进行假设检验，再经过二项分布假设检验之后，得到一定的检验统计量和p值；云端将计算的p值和获取的智能驾驶车辆的感知信息以及车辆固有的识别信息准确率返回至发送请求的智能驾驶车辆；请求的智能驾驶车辆在得到p值之后，基于FDR进行信息选择，具体采用Benjamini-Hochberg法；对于给定统计显著性值α∈(0,1)，找到最大的k，使得p(k)≤α×k/m；获取p(k+1)到p(m)所对应的信息来源；如果m-k≤n，则这些信息全部融合；如果m-k＞n，则根据p值计算FDR，先计算FDR(i)＝p(i)×m/i，若FDR(i)大于FDR(i+1)则将其值替代为FDR(i+1)，然后选最大的n个FDR(i)所对应的信息进行融合。若出现j个(j>n)FDR(i)值等于p(m)的情况，则直接从p(i)中选n个最大的p值对应的信息进行融合；
该方法还包括：对FDR(i)进行时效性修正，令FDR(i)乘以权重w(t)得到修正值；然后选最高的n个修正值所对应的信息进行融合；本发明在面对多种信息来源的情况下，过滤了冗余的信息，减少了不必要的计算；既能做到选择更多更可信的数据，又能控制错误信息的比例在一定范围之内，提高了整车在环境感知方面的可靠度，为“车-路-云”系统下V2X技术的推广以及未来信息筛选提供思路和借鉴。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.一种基于FDR对传感器识别静态物体信息进行筛选的方法，其特征在于，包括如下步骤：
步骤一：当智能驾驶车辆将在行驶一段区间内的感知信息传到云端之后，采用同时期内路侧单元提供的路侧信息来对该车辆的识别信息准确率进行假设检验；得到一定的检验统计量和p值；
步骤二：云端将计算的p值和获取的智能驾驶车辆的感知信息以及车辆固有的识别信息准确率返回至发送请求的智能驾驶车辆；
所述智能驾驶车辆在得到p值之后，基于FDR进行信息选择，具体采用Benjamini-Hochberg法；步骤如下：
按照升序的方法对上述p值进行排序，得到p(1)≤p(2)≤…≤p(m)；
对于给定统计显著性值α∈(0,1)，找到最大的k，使得p(k)≤α×k/m；
对于排序靠前的k个假设检验，拒绝H0，即最后只接受p(k+1)到p(m)所对应的信息来源；其中，如果m-k≤n，则这些信息全部融合；
如果m-k＞n，则根据p值计算FDR，先计算FDR(i)＝p(i)×m/i，若FDR(i)大于FDR(i+1)则将其值替代为FDR(i+1)，然后选最大的n个FDR(i)所对应的信息进行融合。若出现j个(j>n)FDR(i)值等于p(m)的情况，则直接从p(i)中选n个最大的p值对应的信息进行融合。
2.根据权利要求1所述的一种基于FDR对传感器识别静态物体信息进行筛选的方法，其特征在于，步骤一中假设检验的具体步骤为：
以路侧单元识别的路侧信息为真值来对车辆识别信息进行判断；
若车辆识别信息与路侧单元识别的信息一致，则识别成功；若不一致，则识别失败；再经过二项分布假设检验之后，得到一定的检验统计量和p值；其中p值为统计学中二项分布假设的统计值。
3.根据权利要求2所述的一种基于FDR对传感器识别静态物体信息进行筛选的方法，其特征在于，其中，二项分布假设包括H0、H1；H0为该车辆在一定区间内的识别信息准确率小于等于该车出厂的识别信息准确率；H1为H0的对立假设。
4.根据权利要求1所述的一种基于FDR对传感器识别静态物体信息进行筛选的方法，其特征在于，该方法还包括：对FDR(i)进行时效性修正，令FDR(i)乘以权重w(t)得到修正值；然后选最高的n个修正值所对应的信息进行融合。
5.根据权利要求4所述的一种基于FDR对传感器识别静态物体信息进行筛选的方法，其特征在于,权重w(t)的具体获取方法为：
首先获取对应信息的时间戳，将时间戳与系统当前时间进行比较，得到时间差；将时间差换算成以分钟为单位，得到t值；
则权重w(t)＝cos(t*p(i)*δ/60)，再归一化，其中δ是个常数；
或者权重w(t)＝log(-x/100+e)，再归一化；
或者时间t服从正态分布N(0，1)，计算其概率密度函数，再根据概率密度函数的值进行归一化，得到权重w(t)。
6.根据权利要求1所述的一种基于FDR对传感器识别静态物体信息进行筛选的方法，其特征在于，路侧单元包括：激光雷达、摄像头以及气象监测装置；路侧单元通过光纤与云端相连接，将采集到的路侧信息通过光纤传输到云端；所述路侧信息包括障碍物、车道线、十字路口以及红绿灯。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210877616.1A CN115265630B (zh) | 2022-07-25 | 2022-07-25 | 一种基于fdr对传感器识别静态物体信息进行筛选的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210877616.1A CN115265630B (zh) | 2022-07-25 | 2022-07-25 | 一种基于fdr对传感器识别静态物体信息进行筛选的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115265630A true CN115265630A (zh) | 2022-11-01 |
| CN115265630B CN115265630B (zh) | 2023-04-07 |
Family
ID=83769976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210877616.1A Active CN115265630B (zh) | 2022-07-25 | 2022-07-25 | 一种基于fdr对传感器识别静态物体信息进行筛选的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115265630B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030152145A1 (en) * | 2001-11-15 | 2003-08-14 | Kevin Kawakita | Crash prevention recorder (CPR)/video-flight data recorder (V-FDR)/cockpit-cabin voice recorder for light aircraft with an add-on option for large commercial jets |
| US20160189547A1 (en) * | 2014-12-25 | 2016-06-30 | Automotive Research & Testing Center | Driving Safety System and Barrier Screening Method Thereof |
| US20170323329A1 (en) * | 2016-05-06 | 2017-11-09 | Adobe Systems Incorporated | Sequential Hypothesis Testing in a Digital Medium Environment |
| CN110532896A (zh) * | 2019-08-06 | 2019-12-03 | 北京航空航天大学 | 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法 |
| CN111079079A (zh) * | 2019-11-29 | 2020-04-28 | 北京百度网讯科技有限公司 | 数据修正方法、装置、电子设备及计算机可读存储介质 |
| CN112579979A (zh) * | 2020-12-21 | 2021-03-30 | 支付宝(杭州)信息技术有限公司 | 自适应数据分析中的错误发现率控制方法及装置 |
| CN114238857A (zh) * | 2021-12-13 | 2022-03-25 | 大连理工大学宁波研究院 | 一种基于驾驶员不满度阈值采集的实验装置及方法 |
-
2022
- 2022-07-25 CN CN202210877616.1A patent/CN115265630B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030152145A1 (en) * | 2001-11-15 | 2003-08-14 | Kevin Kawakita | Crash prevention recorder (CPR)/video-flight data recorder (V-FDR)/cockpit-cabin voice recorder for light aircraft with an add-on option for large commercial jets |
| US20160189547A1 (en) * | 2014-12-25 | 2016-06-30 | Automotive Research & Testing Center | Driving Safety System and Barrier Screening Method Thereof |
| US20170323329A1 (en) * | 2016-05-06 | 2017-11-09 | Adobe Systems Incorporated | Sequential Hypothesis Testing in a Digital Medium Environment |
| CN110532896A (zh) * | 2019-08-06 | 2019-12-03 | 北京航空航天大学 | 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法 |
| CN111079079A (zh) * | 2019-11-29 | 2020-04-28 | 北京百度网讯科技有限公司 | 数据修正方法、装置、电子设备及计算机可读存储介质 |
| CN112579979A (zh) * | 2020-12-21 | 2021-03-30 | 支付宝(杭州)信息技术有限公司 | 自适应数据分析中的错误发现率控制方法及装置 |
| CN114238857A (zh) * | 2021-12-13 | 2022-03-25 | 大连理工大学宁波研究院 | 一种基于驾驶员不满度阈值采集的实验装置及方法 |
Non-Patent Citations (2)
| Title |
|---|
| ERHAN BAKI ERMIS 等: "Detection and Localization in Sensor Networks Using Distributed FDR", 《2006 40TH ANNUAL CONFERENCE ON INFORMATION SCIENCES AND SYSTEMS》 * |
| 李瑶 等: "面向神经疾病的多元数据融合分析方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115265630B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP4081835B1 (en) | Methods, apparatuses, systems and computer program products for estimating road surface temperature | |
| CN115081508B (zh) | 一种基于交通数字孪生的交通运行风险平行仿真系统 | |
| CN112116031B (zh) | 基于路侧设备的目标融合方法、系统、车辆及存储介质 | |
| CN109094574B (zh) | 一种基于台架的无人车驾驶状态测量控制系统 | |
| CN111402586A (zh) | 基于车联网的公路气象环境预报预警控制系统和方法 | |
| CN116205024A (zh) | 一种面向高低维测评场景的自适应自动驾驶动态场景通用生成方法 | |
| CN116580271A (zh) | 一种感知融合算法的测评方法、装置、设备及存储介质 | |
| CN113734204A (zh) | 用于评价自动驾驶功能的适用性的方法和设备 | |
| CN115273480A (zh) | 一种基于大数据分析的交通预警系统及其方法 | |
| 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 | |
| CN115265630B (zh) | 一种基于fdr对传感器识别静态物体信息进行筛选的方法 | |
| CN112509321A (zh) | 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质 | |
| CN117387647A (zh) | 融合车载传感器数据与道路传感器数据的道路规划方法 | |
| CN112729366B (zh) | 自动驾驶场地测试的天气模拟设备测试评价方法及装置 | |
| CN116259173A (zh) | 一种基于d-s证据理论的多检测方式交通事件融合方法 | |
| CN113706889B (zh) | 基于目标检测分析的高速公路团雾测量系统及方法 | |
| CN116129631A (zh) | 一种车路协同数据处理方法及相关设备 | |
| CN114802284A (zh) | 车辆感知性能评价方法及系统 | |
| CN111551562A (zh) | 一种桥梁路面结构损伤识别方法和系统 | |
| CN117894181B (zh) | 一种全域通行异常状况集成监测方法及系统 | |
| CN118366312B (zh) | 一种交通检测系统及方法 | |
| CN117275224A (zh) | 一种基于多模态感知的智能交通管理方法及系统 | |
| CN117194930B (zh) | 基于车辆行驶数据的隧道路段安全监控方法 | |
| CN118381808B (zh) | 一种基于云平台的车辆自动驾驶管理系统及方法 | |
| CN118135781A (zh) | 一种车辆位置违规精准检出方法及系统 |
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 |