CN115830842A - 一种面向车路协同自动驾驶的关键路段辨识方法 - Google Patents
一种面向车路协同自动驾驶的关键路段辨识方法 Download PDFInfo
- Publication number
- CN115830842A CN115830842A CN202211091151.3A CN202211091151A CN115830842A CN 115830842 A CN115830842 A CN 115830842A CN 202211091151 A CN202211091151 A CN 202211091151A CN 115830842 A CN115830842 A CN 115830842A
- Authority
- CN
- China
- Prior art keywords
- road
- characteristic
- road section
- automatic driving
- information
- 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 36
- 230000003068 static effect Effects 0.000 claims abstract description 39
- 230000008901 benefit Effects 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明依据静态信息将道路划分成若干个特征路段,构建特征路段静态信息量函数,基于信息熵方法构建特征路段动态信息量计算模型,建立融合自动驾驶车流量、静态信息量、动态信息量的特征路段综合信息效益函数,基于特征路段综合信息效益计算结果,根据交通管理者的需求,确定一个判断特征路段是否为关键路段的阈值,若特征路段的综合信息效益值大于等于该阈值,则该为关键路段,因此该发明能够面向车路协同自动驾驶,为路侧车路协同设施设备的布局优化奠定基础,同时为交通管理者进行自动驾驶安全风险评价和管控策略制定提供依据。
Description
技术领域
本发明属于智能交通的技术领域,具体地涉及一种面向车路协同自动驾驶的关键路段辨识方法。
背景技术
自动驾驶、车路协同是未来道路交通的发展方向。与人工驾驶相比,自动驾驶具有依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作,实时自动获取道路、交通规则等信息的特点,以及在没有任何人类主动的操作下,自动安全地操作机动车辆的特点。但是,单车智能自动驾驶容易受到遮挡、恶劣天气等环境条件影响,在全量目标检测、轨迹预测、驾驶意图“博弈”等方面存在困难。随着单个车辆自动驾驶技术商业化落地难度的增加,自动驾驶越来越依赖于智能道路基础设施,车路协同自动驾驶通过与路的信息交互协同、协同感知与协同决策控制,可以极大地拓展单车的感知范围、提升感知的能力,从本质上解决单车智能自动驾驶遇到的技术瓶颈,提升自动驾驶能力,从而保证自动驾驶安全。目前,部分国家已达成共识,认为车路协同自动驾驶能够加速自动驾驶商业化落地,逐渐成为推进自动驾驶发展的主流路径。车路协同自动驾驶正站在5G、人工智能、交通、汽车工业等几大领域的交汇处,成为汽车、电子、信息通信、道路交通运输等行业深度融合的新型产业形态。
车路协同自动驾驶由智能车辆、智能道路两大关键部分组成,其中智能道路包括道路工程及配套附属设施、智能感知设施(摄像头、毫米波雷达、激光雷达等)、路侧通信设施(直连无线通信设施、蜂窝移动通信设施)、计算控制设施(边缘计算节点、MEC或各级云平台)、高精度地图与辅助定位设施;电力功能等配套附属设备等。当前,车路协同自动驾驶领域的研究多聚焦于协同感知技术、高精度地图与高精度定位技术、协同决策与协同控制技术、高可靠低时延网络通信技术、云计算技术、物联网IoT技术、网络安全等关键技术。对智能道路的建设关注较少,多关注于路侧设施设备的功能、性能测试、研发。道路是车路交互设施设备的载体,如何对路侧车路协同设备进行布局优化则是影响车路协同自动驾驶实施效果的关键,而面向车路协同自动驾驶的关键路段辨识是路侧车路协同设施设备优化布局的基础,对解决智能车辆安全行车的难题具有重大意义。
截止目前,关于道路关键点段的辨识多聚焦于宏观路网层面,从交通运行监测与管理角度出发,采用复杂网络理论或数学建模方法辨识对路网结构连通性和交通运输效能影响较大的关键路段和节点。而面向车路协同自动驾驶的关键路段辨识,更关注于局部行车安全问题,需要以通道或交叉口之间的路段等中观或微观的道路为研究对象。
发明内容
本发明的技术解决问题是:面向车路协同自动驾驶车辆的安全行驶问题和路侧车路协同设施设备布局优化问题,辨识针对车路协同自动驾驶的关键点段,提供一种面向车路协同自动驾驶的关键路段辨识方法,为交通管理者提供有针对性的交通治理和安全提升对象,以降低自动驾驶车辆的运行安全风险,提升道路运行的可靠性,确保路网运输功能的有效发挥。
本发明的技术解决方案是:一种面向车路协同自动驾驶的关键路段辨识方法,该方法包括以下步骤:
(1)依据道路类型或等级、道路属性、车道属性、道路几何特征的静态信息,将道路划分成若干个特征路段;
(2)构建特征路段静态信息量函数,影响因素包括道路类型或等级、道路属性、车道属性、道路几何特征、道路设施种类及数量;
(3)考虑交通运行环境的随机影响因素,基于信息熵方法,构建特征路段动态信息量计算模型;
(4)建立融合自动驾驶车流量、静态信息量、动态信息量的特征路段综合信息效益函数;
(5)基于特征路段综合信息效益计算结果,根据交通管理者的需求,确定一个判断特征路段是否为关键路段的阈值,若特征路段的综合信息效益值大于等于该阈值,则该为关键路段。
本发明依据静态信息将道路划分成若干个特征路段,构建特征路段静态信息量函数,基于信息熵方法构建特征路段动态信息量计算模型,建立融合自动驾驶车流量、静态信息量、动态信息量的特征路段综合信息效益函数,基于特征路段综合信息效益计算结果,根据交通管理者的需求,确定一个判断特征路段是否为关键路段的阈值,若特征路段的综合信息效益值大于等于该阈值,则该为关键路段,因此该发明能够面向车路协同自动驾驶,为路侧车路协同设施设备的布局优化奠定基础,同时为交通管理者进行自动驾驶安全风险评价和管控策略制定提供依据。
附图说明
图1是根据本发明的面向车路协同自动驾驶的关键路段辨识方法的流程图。
图2是部分道路特征路段划分示例。
具体实施方式
如图1所示,这种面向车路协同自动驾驶的关键路段辨识方法,该方法包括以下步骤:
(1)依据道路类型或等级、道路属性、车道属性、道路几何特征的静态信息,将道路划分成若干个特征路段;
(2)构建特征路段静态信息量函数,影响因素包括道路类型或等级、道路属性、车道属性、道路几何特征、道路设施种类及数量;
(3)考虑交通运行环境的随机影响因素,基于信息熵方法,构建特征路段动态信息量计算模型;
(4)建立融合自动驾驶车流量、静态信息量、动态信息量的特征路段综合信息效益函数;
(5)基于特征路段综合信息效益计算结果,根据交通管理者的需求,确定一个判断特征路段是否为关键路段的阈值,若特征路段的综合信息效益值大于等于该阈值,则该为关键路段。
本发明依据静态信息将道路划分成若干个特征路段,构建特征路段静态信息量函数,基于信息熵方法构建特征路段动态信息量计算模型,建立融合自动驾驶车流量、静态信息量、动态信息量的特征路段综合信息效益函数,基于特征路段综合信息效益计算结果,根据交通管理者的需求,确定一个判断特征路段是否为关键路段的阈值,若特征路段的综合信息效益值大于等于该阈值,则该为关键路段,因此该发明能够面向车路协同自动驾驶,为路侧车路协同设施设备的布局优化奠定基础,同时为交通管理者进行自动驾驶安全风险评价和管控策略制定提供依据。
优选地,所述步骤(1)中,道路和车道的通用属性包含纵向坡度、曲率、横向坡度、航向;若道路类型或等级、道路属性、车道属性、道路几何特征中,有一个因素值发生了变化,则以发生变化位置的上、下游各100米处的断面为分割点,将道路划分成若干个子路段;将长度大于200米的子路段,再进行划分,细分为200米一个的特征路段,不足200米的部分作为一个特征路段,经上述过程,将道路划分成为长度不大于200米的若干个特征路段。
优选地,所述步骤(2)中,设道路划分后形成的特征路段数量为M,第j个特征路段涉及的静态信息种类有Gj种,j=1,2,…,M,则第j个特征路段的静态信息量为fj(Gj),其中,函数fj(·)>0,且单调递增,特征路段的静态信息种类越多,则该路段的静态信息量越大。
优选地,所述步骤(3)中,设Nj表示特征路段j上影响车路协同自动驾驶的随机变量类别数,Θi表示随机变量Xi的取值空间,i=1,2,…,Nj,则随机变量Xi的信息熵如下:
其中,概率密度函数p(x)=Pr(Xi=x),x∈Θi
设第j个路段的信息量为h(j),其计算公式如下:
优选地,所述步骤(4)中,特征路段的信息效益除了与动、静态信息量有关外,还与特征路段上行驶的自动驾驶车辆数有关,设第j个特征路段上行驶的自动驾驶车辆数为vj,则建立特征路段综合信息效益函数如下:
Ej=vj·gj(fj(Gj),h(j))
其中,gj(f,h)为第j个特征路段的综合信息量,Ej为特征路段j的综合信息效益。
优选地,所述步骤(5)中,综合交通管理者及自动驾驶车辆行驶安全的需求,确定关键路段判定的综合信息效益阈值C,当特征路段的综合信息效益值大于阈值C时,则此特征路段为关键路段,具体判断公式如下:
若特征路段为关键路段,则说明该特征路段信息量较大,或者静态信息较为复杂,或者动态随机变量的不确定性、无序性较强,对道路交通管理和自动驾驶车辆行驶安全造成较大的影响,需要采取有针对性的管理策略或车路协同设施设备的布局方案。
优选地,所述步骤(5)中,在面向不同的交通业务管理时,根据管理要求或经费预算情况,通过对C值的调整,辨识出满足需求的对象。
以下更详细地说明本发明。
一种面向车路协同自动驾驶的关键路段辨识方法,具体包括五部分内容:一是,特征路段划分;二是,特征路段静态信息量计算;三是,特征路段动态信息量计算;四是,特征路段综合信息效益计算;五是,关键路段判定。面向车路协同自动驾驶的关键路段辨识流程如图1,具体实施方式如下:
步骤1:面向车路协同自动驾驶的特征路段划分;
首先,依据道路类型或等级、道路属性、车道属性、道路几何特征等静态信息,将道路划分成若干个子路段。其中,道路和车道的通用属性包含纵向坡度、曲率、横向坡度、航向等。若道路类型或等级、道路属性、车道属性、道路几何特征中,有一个因素值发生了变化,则以发生变化位置的上、下游各100米处的断面为分割点,将道路划分成若干个子路段。其次,进一步,将长度大于200米的子路段,再进行划分,细分为200米一个的特征路段,不足200米的部分作为一个特征路段。最后,将道路划分成为长度不大于200米的若干个特征路段。部分道路特征路段划分示例如图2。
步骤2:特征路段静态信息量计算方法;
设道路划分后形成的特征路段数量为M,第j个特征路段涉及的静态信息种类有Gj种,j=1,2,…,M,则第j个特征路段的静态信息量为fj(Gj),其中,函数fj(·)>0,且单调递增,即,特征路段的静态信息种类越多,则该路段的静态信息量越大。
步骤3:基于信息熵的特征路段动态信息量计算;
设Nj表示特征路段j上影响车路协同自动驾驶的随机变量(如交通流、天气、车辆微观行为变化等)类别数,Θi表示随机变量Xi的取值空间, i=1,2,…,Nj,则随机变量Xi的信息熵如下:
其中,概率密度函数p(x)=Pr(Xi=x),x∈Θi。
设第j个路段的信息量为h(j),其计算公式如下:
步骤4:特征路段综合信息效益计算;
特征路段的信息效益除了与动、静态信息量有关外,还与特征路段上行驶的自动驾驶车辆数有关,设第j个特征路段上行驶的自动驾驶车辆数为vj,则建立特征路段综合信息效益函数如下:
Ej=vj·gj(fj(Gj),h(j))
其中,gj(f,h)为第j个特征路段的综合信息量,Ej为特征路段j的综合信息效益。
步骤5:关键路段判定。
综合交通管理者及自动驾驶车辆行驶安全的需求,确定关键路段判定的综合信息效益阈值C,当特征路段的综合信息效益值大于阈值C时,则此特征路段为关键路段,具体判断公式如下:
若特征路段为关键路段,则说明该特征路段信息量较大,或者静态信息较为复杂,或者动态随机变量的不确定性、无序性较强,对道路交通管理和自动驾驶车辆行驶安全造成较大的影响,需要采取有针对性的管理策略或车路协同设施设备的布局方案。
本发明中,当C取值较大时,则辨识得到的关键路段的数量较少;当 C取值较小时,则辨识得到的关键路段的数量较多。因此,在面向不同的交通业务管理时,可根据管理要求或经费预算情况,通过对C值的调整,辨识出满足需求的对象。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属本发明技术方案的保护范围。
Claims (7)
1.一种面向车路协同自动驾驶的关键路段辨识方法,其特征在于:该方法包括以下步骤:
(1)依据道路类型或等级、道路属性、车道属性、道路几何特征的静态信息,将道路划分成若干个特征路段;
(2)构建特征路段静态信息量函数,影响因素包括道路类型或等级、道路属性、车道属性、道路几何特征、道路设施种类及数量;
(3)考虑交通运行环境的随机影响因素,基于信息熵方法,构建特征路段动态信息量计算模型;
(4)建立融合自动驾驶车流量、静态信息量、动态信息量的特征路段综合信息效益函数;
(5)基于特征路段综合信息效益计算结果,根据交通管理者的需求,确定一个判断特征路段是否为关键路段的阈值,若特征路段的综合信息效益值大于等于该阈值,则该为关键路段。
2.根据权利要求1所述的面向车路协同自动驾驶的关键路段辨识方法,其特征在于:所述步骤(1)中,道路和车道的通用属性包含纵向坡度、曲率、横向坡度、航向;若道路类型或等级、道路属性、车道属性、道路几何特征中,有一个因素值发生了变化,则以发生变化位置的上、下游各100米处的断面为分割点,将道路划分成若干个子路段;将长度大于200米的子路段,再进行划分,细分为200米一个的特征路段,不足200米的部分作为一个特征路段,经上述过程,将道路划分成为长度不大于200米的若干个特征路段。
3.根据权利要求2所述的面向车路协同自动驾驶的关键路段辨识方法,其特征在于:所述步骤(2)中,设道路划分后形成的特征路段数量为M,第j个特征路段涉及的静态信息种类有Gj种,j=1,2,…,M,则第j个特征路段的静态信息量为fj(Gj),其中,函数fj(·)>0,且单调递增,特征路段的静态信息种类越多,则该路段的静态信息量越大。
5.根据权利要求4所述的面向车路协同自动驾驶的关键路段辨识方法,其特征在于:所述步骤(4)中,特征路段的信息效益除了与动、静态信息量有关外,还与特征路段上行驶的自动驾驶车辆数有关,设第j个特征路段上行驶的自动驾驶车辆数为vj,则建立特征路段综合信息效益函数如下:
Ej=vj·gj(fj(Gj),h(j))
其中,gj(f,h)为第j个特征路段的综合信息量,Ej为特征路段j的综合信息效益。
7.根据权利要求6所述的面向车路协同自动驾驶的关键路段辨识方法,其特征在于:所述步骤(5)中,在面向不同的交通业务管理时,根据管理要求或经费预算情况,通过对C值的调整,辨识出满足需求的对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211091151.3A CN115830842A (zh) | 2022-09-07 | 2022-09-07 | 一种面向车路协同自动驾驶的关键路段辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211091151.3A CN115830842A (zh) | 2022-09-07 | 2022-09-07 | 一种面向车路协同自动驾驶的关键路段辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115830842A true CN115830842A (zh) | 2023-03-21 |
Family
ID=85523448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211091151.3A Pending CN115830842A (zh) | 2022-09-07 | 2022-09-07 | 一种面向车路协同自动驾驶的关键路段辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115830842A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116311941A (zh) * | 2023-03-24 | 2023-06-23 | 阿波罗智联(北京)科技有限公司 | 主要车流路径提取方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105702031A (zh) * | 2016-03-08 | 2016-06-22 | 北京航空航天大学 | 基于宏观基本图的路网关键路段识别方法 |
WO2017166474A1 (zh) * | 2016-03-29 | 2017-10-05 | 中国科学院深圳先进技术研究院 | 一种基于交叉口群的交通控制方法及系统 |
CN107248283A (zh) * | 2017-07-18 | 2017-10-13 | 北京航空航天大学 | 一种考虑路段关键度的城市区域路网运行状态评价方法 |
CN111798663A (zh) * | 2020-08-07 | 2020-10-20 | 交通运输部公路科学研究所 | 一种路网关键路段辨识方法 |
CN112598896A (zh) * | 2020-12-07 | 2021-04-02 | 吉林大学 | 一种基于gps数据的工业园区物流关键路段识别方法 |
-
2022
- 2022-09-07 CN CN202211091151.3A patent/CN115830842A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105702031A (zh) * | 2016-03-08 | 2016-06-22 | 北京航空航天大学 | 基于宏观基本图的路网关键路段识别方法 |
WO2017166474A1 (zh) * | 2016-03-29 | 2017-10-05 | 中国科学院深圳先进技术研究院 | 一种基于交叉口群的交通控制方法及系统 |
CN107248283A (zh) * | 2017-07-18 | 2017-10-13 | 北京航空航天大学 | 一种考虑路段关键度的城市区域路网运行状态评价方法 |
CN111798663A (zh) * | 2020-08-07 | 2020-10-20 | 交通运输部公路科学研究所 | 一种路网关键路段辨识方法 |
CN112598896A (zh) * | 2020-12-07 | 2021-04-02 | 吉林大学 | 一种基于gps数据的工业园区物流关键路段识别方法 |
Non-Patent Citations (3)
Title |
---|
安实等: "基于博弈论的高速公路网络关键路段识别方法", 交通信息与安全, vol. 33, no. 3, 31 December 2015 (2015-12-31) * |
王庆国;张昆仑;胡亦熙;: "信息量最大化定权的城市道路重要性评价", 交通运输系统工程与信息, no. 02, 15 April 2018 (2018-04-15) * |
苏飞;董宏辉;贾利民;孙璇;: "基于时空相关性的城市交通路网关键路段识别", 交通运输系统工程与信息, no. 03, 15 June 2017 (2017-06-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116311941A (zh) * | 2023-03-24 | 2023-06-23 | 阿波罗智联(北京)科技有限公司 | 主要车流路径提取方法、装置、设备及介质 |
CN116311941B (zh) * | 2023-03-24 | 2023-12-26 | 阿波罗智联(北京)科技有限公司 | 主要车流路径提取方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111260924B (zh) | 适应边缘计算的交通智能管控与服务发布策略方法 | |
CN104700617B (zh) | 基于低精度gps轨迹数据的高精度车道信息提取方法 | |
CN110276973B (zh) | 一种路口交通规则自动识别方法 | |
Tang et al. | A mixed path size logit-based taxi customer-search model considering spatio-temporal factors in route choice | |
CN110376594A (zh) | 一种基于拓扑图的智能导航的方法和系统 | |
CN107490384B (zh) | 一种基于城市路网的最优静态路径选择方法 | |
CN107180538B (zh) | 一种车载轨迹运行方向的识别方法 | |
Bibeka et al. | Assessing environmental impacts of ad-hoc truck platooning on multilane freeways | |
CN108961758A (zh) | 一种基于梯度提升决策树的路口展宽车道探测方法 | |
Hosseinpour et al. | Application of adaptive neuro-fuzzy inference system for road accident prediction | |
CN115830842A (zh) | 一种面向车路协同自动驾驶的关键路段辨识方法 | |
Hao et al. | Reducing CACC platoon disturbances caused by state jitters by combining two stages driving state recognition with multiple platoons’ strategies and risk prediction | |
Barreno et al. | Fuzzy expert system for road type identification and risk assessment of conventional two‐lane roads | |
Iovine et al. | Safe human-inspired mesoscopic hybrid automaton for autonomous vehicles | |
Rezaei et al. | ReFOCUS: A hybrid fog-cloud based intelligent traffic re-routing system | |
CN114418606B (zh) | 基于时空卷积网络的网约车订单需求预测方法 | |
Gamel et al. | A fog-based Traffic Light Management Strategy (TLMS) based on fuzzy inference engine | |
CN112185149B (zh) | 基于城市路网数据的路径规划方法及系统 | |
Lu et al. | Research on the intelligent assignment model of urban traffic planning based on optimal path optimization algorithm | |
Jiang et al. | Platoon intensity of connected automated vehicles: definition, formulas, examples, and applications | |
Tyagi et al. | Intelligent transportation system: Past, present, and future | |
CN117764340A (zh) | 一种新能源电动汽车充电引导分级调控方法 | |
CN105608315B (zh) | 公交停靠站安全服务水平定量评价方法及系统 | |
Yang et al. | Stochastic Parameter Identification Method for Driving Trajectory Simulation Processes Based on Mobile Edge Computing and Self‐Organizing Feature Mapping | |
CN113610059B (zh) | 基于区域评估的车辆控制方法、装置和智能交管系统 |
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 |