CN115862383A - 一种基于不确定性的车辆盲区潜在风险量化方法 - Google Patents
一种基于不确定性的车辆盲区潜在风险量化方法 Download PDFInfo
- Publication number
- CN115862383A CN115862383A CN202310061477.XA CN202310061477A CN115862383A CN 115862383 A CN115862383 A CN 115862383A CN 202310061477 A CN202310061477 A CN 202310061477A CN 115862383 A CN115862383 A CN 115862383A
- Authority
- CN
- China
- Prior art keywords
- area
- vehicle
- uncertainty
- blind area
- blind
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000011002 quantification Methods 0.000 title claims abstract description 18
- 230000001133 acceleration Effects 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 230000000007 visual effect Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 6
- 230000035484 reaction time Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 230000008447 perception Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000007790 scraping Methods 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
本发明公开了一种基于不确定性的车辆盲区潜在风险量化方法，包括步骤：步骤一，获取自车及可观测交通参与者的原始数据；步骤二，将所述自车及可观测交通参与者的原始数据进行处理，获得风险权重值，包括：信息不确定性权重值，盲区不确定性权重值，可观测交通参与者异常加、减速度权重值，自车行驶区域路网车流量权重值；步骤三，根据所述风险权重值计算盲区潜在风险值；步骤四，根据盲区潜在风险值进行可视化风险提示。该方法无需增加新的传感器即可实现传统意义的视角补盲，减少成本开销；基于盲区面积的信息不确定性、周围车辆的异常加减速度和路网中车流量来预判车辆周围环境危险程度，极大提高行驶过程中的安全性。
Description
技术领域
本发明属于智能车辆技术领域，具体涉及一种基于不确定性的车辆盲区潜在风险量化方法。在本发明中，车辆盲区的定义为驾驶员在驾车过程中被车辆、建筑物等遮挡看不到的区域。
背景技术
随着网联化汽车的普及，自动驾驶车辆的感知能力需求逐步提高。在自动驾驶场景中存在很多感知盲区导致的潜在安全问题，例如在鬼探头场景下自动驾驶车辆由于不能感知到被遮挡区域，会误认为看不到的区域就是不存在潜在风险的安全区域从而造成交通事故；在车辆行驶过程中会存在一些不可视场景，这些不可视场景会对自动驾驶汽车存在很多威胁。
目前，对于驾驶风险的量化存在多方面的研究，中国发明专利CN110084534A公开了一种基于驾驶行为画像的驾驶风险因子量化方法，基于车载传感器设备接收到的数据对驾驶员的驾驶行为进行量化；中国发明专利CN112070419A公开了一种汽车驾驶潜在风险情景风险度量化方法，按照潜在风险情景组成成份进行分级，进而将风险度量化表示；中国发明专利CN113657752A公开了一种基于驾驶行为指标的不同长度隧道行车风险量化评价方法，结合因子分析和SOM神经网络算法，实现隧道行车区间风险属性及对应风险行为的科学聚类。但是上述研究均未涉及对鬼探头及不可视场景等车辆行驶盲区的潜在风险量化。
所谓车辆行驶盲区是针对一个对象的，例如对于人眼的盲区，或者对于自动驾驶感知系统的盲区。人开车的时候，视野看不到的前轮旁就算是人眼的盲区。车辆在变道行驶时，由于转弯时后视镜存在视野盲区，驾驶员仅凭后视镜的信息无法完全判断后方车辆的信息。恶劣天气（雨雪、大雾、冰雹等）增大了驾驶员的判断难度，增加了汽车在变道行驶时碰撞或刮擦的风险。
车辆盲区监测系统通过安装在车辆后视镜或其它位置的传感器（主要为摄像头、毫米波雷达等）来检测后方的车辆、自行车等，电子控制单元对感知单元的数据进行计算及判断。如果检测到盲区中有车辆或者自行车，声光报警器会发出警报，后视镜上显示碰撞危险图标并闪烁提示，部分车型还可以进行紧急制动。车辆盲区监测系统主要由安装在左右两个后视镜上面的毫米波雷达组成，该毫米波雷达使用24GHz的毫米波雷达，可探测最远距离大约为50m，探测的角度约为30°，可识别高度为50cm以上的物体。毫米波雷达可以感知后方来到的车辆、自行车等移动物体，电子控制单元可以计算移动物体和当前车辆的相对速度，如果相对速度大于系统设定的阈值，则此时车辆盲区监测系统启动，车辆外后视镜指示灯常亮。若此时驾驶员试图变更车道到危险车道，此时车辆外后视镜指示灯会闪烁，警报蜂鸣器发出报警声音提示驾驶员有碰撞危险。除此之外，两侧的后视镜中还搭载了两个摄像头，这两个摄像头是盲区显示系统（Blind-SpotView Monitor，BVM）的感知传感器。然而该方法需要加装额外的传感器，其主要功能仍然是补盲，不存在对不可视区域的感知和预测，仍然无法解决鬼探头或车辆不可视区域的问题。
发明内容
针对以上缺点，本发明提出使用基于不确定性的车辆盲区潜在风险量化方法进行车辆盲区危险量化评估，并根据量化评估结果进行安全预警。该发明适用于鬼探头场景、不可视区域场景下车辆盲区风险值的评估，在评估建模过程中首先需要量化在不可视区域中出现危险的概率，我们把这种概率称作信息不确定性。基于该信息不确定性，本发明中车辆盲区潜在风险的量化包括两方面，一方面是基于过往交通流信息获得历史信息不确定性带来的危险概率，用于辅助推测盲区车辆出现概率，如交通高峰期车流较大，那么盲区车辆出现概率高，另一方面是基于周围车辆实时信息获得实时信息不确定性带来的危险概率，如现在车流量大，那么他车车速可能较小，盲区的车速可能较低。具体的，首先利用香农熵计算信息不确定性，其次盲区潜在风险评估包含盲区不确定性评估、周围车辆加减速度变化的监测、车流量大小计算。本发明基于信息不确定性来预测遮挡区域出现危险的概率，基于周围车辆的异常加、减速度来预测遮挡区域可能出现的车辆概率，基于路网车流量预测盲区中车辆的速度大小，通过对信息不确定性、盲区不确定性评估、周围车辆异常加速度和路网车流量信息加权得到盲区潜在风险值（USS，UncertaintyShadow Safety），利用USS值推测车辆潜在风险评估信息，是一种全新的车辆盲区危险预警方法。
本发明采用如下技术方案：
一种基于不确定性的车辆盲区潜在风险量化方法，包括以下步骤：
步骤一，通过自车底盘CAN信号、摄像头以及地图软件获取自车及可观测交通参与者的原始数据；
步骤二，将所述自车及可观测交通参与者的原始数据进行处理，获得风险权重值，包括：信息不确定性权重值，盲区不确定性权重值，可观测交通参与者异常加、减速度权重值，自车行驶区域路网车流量权重值；
步骤三，根据所述风险权重值计算盲区潜在风险值；
步骤四，根据盲区潜在风险值进行可视化风险提示。
进一步，所述自车及可观测交通参与者的原始数据包括：
1）通过底盘CAN信号得到自车的实时速度和加速度，预存车身长度、驾驶员反应时间、车辆刹停时的安全距离；
2）采用摄像头确定可观测交通参与者的大小、所在的位置、实时速度和行驶位姿信息；
3）利用地图软件获得行驶区域的历史交通道路状态，包括道路信息、区域给定时间内的交通参与者流量信息，其中道路信息包括区域面积；
4）利用地图软件统计实时信息获得自车行驶区域路网车流量信息，包括车流的平均速度。
进一步，所述信息不确定性权重值的计算过程如下：
考虑乘用车、货车、自行车和行人对信息不确定性的影响：
进一步，所述盲区为驾驶员在驾车过程中被遮挡的区域，读取盲区几何图形形状，将几何图形边离散为n个角点，读取角点坐标(x i ,y i )，然后通过极点几何关系计算盲区面积，见下式：
若存在m个盲区，即为：
其中，S shadow 为总盲区面积，S shadow_j 为第j个盲区面积。
进一步，所述盲区不确定性权重值计算过程如下：
其中，S vis 为可视区域面积，S shadow +S vis 为总感知面积，k 1为盲区面积加权系数。
进一步，所述可视区域面积计算过程如下：
考虑自车车速
，利用运动学公式求得自车在最大加速度/>
下减速为0的距离为/>
，驾驶员反应时间为/>
，考虑车辆刹停时的安全距离为/>
，自车感知区域半径/>
的计算公式如下：
其中，v为自车车速；ρ为驾驶员反应时间；l为车身长度；d为车辆刹停时的安全距离；a max 为自车最大加速度；
通过几何关系求得路面面积S road ，则可视区域面积S vis 如下式：
进一步，所述可观测交通参与者异常加、减速度权重值计算过程如下：
其中，k 2为异常加、减速度加权系数，a side 为旁车异常加减速度，m为加速度加权系数。
进一步，所述自车行驶区域路网车流量权重值计算过程如下：车流量用盲区中车辆平均速度v shadow_other 表示，调整系数为盲区中车速加权系数k 3。
进一步，所述盲区潜在风险值为：
进一步，所述可视化风险提示的预警程度设置为三种：
当盲区潜在风险值
，设置为低风险，波浪线长度为0，不预警；
当盲区潜在风险值
，设置为中风险，波浪线长度较长，中等预警；
当盲区潜在风险值
，设置为高风险，波浪线长度最长，紧急预警；
其中U1,U2,U3是预警阈值，可根据实际情况调整。
本发明与现有技术相比具有以下有益效果：
（1）传感器方面只需要摄像头感知交通车辆，无需增加新的传感器即可实现传统意义的视角补盲，减少成本开销。本发明提出的方法基于盲区面积的信息不确定性、周围车辆的异常加减速度和路网中车流量来预判车辆周围环境危险程度，极大提高行驶过程中的安全性。
（2）基于信息不确定性来预测遮挡区域出现危险的概率，这里假定一条道路在设定的时间通过的车辆概率（这里可以通过路网获得真实流量）近似相等，可以求得单位面积下存在对应车型的概率。目前仅考虑一般车辆、行人、卡车、自行车四种类型的交通参与者。
（3）基于周围车辆的异常加、减速度来预测遮挡区域可能出现的车辆的行为。周围交通参与者的异常加速度可通过摄像头测量计算得出。当周围车辆突然减速或加速时并且这时存在视野盲区，应赋予自动驾驶车辆一定的安全响应等级，规定周围交通参与者行驶速度变化率到达阈值即为存在危险的未知情形，此时需要主车保持安全行驶。
（4）基于路网车流量预测盲区中车辆的速度大小。当路网中的车流量较小时，可以预测周围车辆车速较大，此时得到的危险值较大；当路网中车流量较大时，可以预测周围车辆车速较小，此时得到的危险值较小。
附图说明
图1为本发明的基于不确定性的车辆盲区潜在风险量化方法的流程图。
图2为本发明的盲区定义，图中阴影部分为盲区。
图3为盲区示意图。
图4为车辆盲区潜在风险的可视化结果，波浪线越长危险程度越高。
具体实施方式
下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述。
车辆在道路行驶过程中会出现不可视区域，该盲区会对车辆的安全造成较大的影响。本发明提出一种基于不确定性的车辆盲区潜在风险量化方法，定量计算危险程度大小，如图1所示，包括以下步骤：
步骤一，获取自车及可观测交通参与者的原始数据；
具体地，步骤一中需要采集的原始数据包含：
1）通过底盘CAN（Controllerarea network）信号得到自车的实时速度和加速度，预存车身长度、驾驶员反应时间、车辆刹停时的安全距离等已知或给定信息。
2）采用摄像头确定可观测交通参与者的大小、所在的位置、实时速度和行驶位姿等信息，例如：位置、类别、速度、加速度。
3）利用地图软件获得行驶区域的历史交通道路状态，包括道路信息、区域一定时间内的交通参与者流量信息。假定一条道路在设定的时间通过的车辆概率（可以通过路网获得真实流量）近似相等，可以求得单位面积下存在对应车型的概率，所需要的信息包含道路信息（例如路面区域面积）、车流量信息；
4）自车行驶区域路网车流量信息（车流的平均速度）可通过地图软件统计实时信息获得。
步骤二，将所述自车及可观测交通参与者的原始数据进行处理，获得四类风险权重值，包括：信息不确定性权重值，盲区不确定性权重值，可观测交通参与者异常加、减速度权重值，自车行驶区域路网车流量权重值。
1.利用香农熵公式计算信息不确定性：
利用香农熵公式计算信息不确定性，香农熵公式如下，本发明主要考虑乘用车、货车、自行车和行人四种交通参与者对信息不确定性的影响：
其中，盲区面积定义为驾驶员在驾车过程中被车辆、建筑物等遮挡看不到的区域，如图2所示。如图3所示，读取周围盲区几何图形形状，将几何图形边离散为n个角点，读取角点坐标(x i ,y i )，然后通过极点几何关系计算盲区面积，见下式：
若存在m个盲区，即为：
其中，S shadow 为总盲区面积，S shadow_j 为第j个盲区面积。
2.盲区潜在风险评估影响因素计算如下：
（1）盲区不确定性计算过程如下：
定义驾驶风险程度，即为总盲区面积S shadow 和总感知面积（S shadow +S vis ）的比值，使用k 1做可调整参数，见下式：
其中，S vis 为可视区域面积，k 1为盲区面积加权系数。
规定自车的感知区域半径为
，考虑自车车速/>
，利用运动学公式求得自车在最大加速度/>
下减速为0的距离为/>
，驾驶员反应时间/>
，考虑车辆刹停时的安全距离为/>
，/>
的计算公式如下：
其中，v为自车车速；ρ为驾驶员反应时间；l为车身长度；d为车辆刹停时的安全距离；a max 为自车最大加速度。
通过几何关系求得路面面积S road ，则可视区域面积S vis 如下式：
（2）可观测交通参与者异常加、减速度计算过程如下：
当周围车辆突然减速或加速且存在视野盲区时，应赋予自动驾驶车辆一定的安全响应等级，规定周围交通参与者行驶速度变化率到达阈值即为存在危险的未知情形，此时需要主车保持谨慎行驶。这里采用主车周围交通参与者的加速度作为参数，在加速度为负值时风险值较大，a side 以指数增长，在加速度大于等于0时风险值较小，a side 以线性增长，使用k 2做可调整参数，计算公式如下：
其中，k 2为异常加、减速度加权系数，a side 为旁车异常加减速度，m为加速度加权系数。
（3）自车行驶区域路网车流量计算过程如下：
当路网中的车流量较小时，可以预测周围车辆车速较大，此时得到的风险值较大；当路网中车流量较大时，可以预测周围车辆车速较小，此时得到的风险值较小。这里规定车流量用盲区中车辆平均速度v shadow_other 表示，调整系数为盲区中车速加权系数k 3。
步骤三，根据所述风险权重值计算总USS值的大小。
具体地，根据一定评估频率，获得步骤一采集到的原始数据，计算得到步骤二的风险权重值，从而计算USS值：
步骤四，根据USS值的大小进行风险提示，得到的USS值被用来进行可视化以便警示驾驶员提高驾驶安全性。最终可视化结果如图4所示，波浪线越长危险程度越高。
具体地，预警程度可以设置三种：
当最终风险值
，设置为低风险，波浪线长度为0，不预警。
当最终风险值
，设置为中风险，波浪线长度较长，中等预警。
当最终风险值
，设置为高风险，波浪线长度最长，紧急预警。
其中U1,U2,U3是预警阈值，可根据实际情况调整。
Claims (10)
1.一种基于不确定性的车辆盲区潜在风险量化方法，其特征在于，包括以下步骤：
步骤一，通过自车底盘CAN信号、摄像头以及地图软件获取自车及可观测交通参与者的原始数据；
步骤二，将所述自车及可观测交通参与者的原始数据进行处理，获得风险权重值，包括：信息不确定性权重值，盲区不确定性权重值，可观测交通参与者异常加、减速度权重值，自车行驶区域路网车流量权重值；
步骤三，根据所述风险权重值计算盲区潜在风险值；
步骤四，根据盲区潜在风险值进行可视化风险提示。
2.根据权利要求1所述的基于不确定性的车辆盲区潜在风险量化方法，其特征在于，所述自车及可观测交通参与者的原始数据包括：
1）通过底盘CAN信号得到自车的实时速度和加速度，预存车身长度、驾驶员反应时间、车辆刹停时的安全距离；
2）采用摄像头确定可观测交通参与者的大小、所在的位置、实时速度和行驶位姿信息；
3）利用地图软件获得行驶区域的历史交通道路状态，包括道路信息、区域给定时间内的交通参与者流量信息，其中道路信息包括区域面积；
4）利用地图软件统计实时信息获得自车行驶区域路网车流量信息，包括车流的平均速度。
3.根据权利要求2所述的基于不确定性的车辆盲区潜在风险量化方法，其特征在于，所述信息不确定性权重值的计算过程如下：
考虑乘用车、货车、自行车和行人对信息不确定性的影响：
4.根据权利要求3所述的基于不确定性的车辆盲区潜在风险量化方法，其特征在于，所述盲区为驾驶员在驾车过程中被遮挡的区域，读取盲区几何图形形状，将几何图形边离散为n个角点，读取角点坐标(x i ,y i )，然后通过极点几何关系计算盲区面积，见下式：
若存在m个盲区，即为：
其中，S shadow 为总盲区面积，S shadow_j 为第j个盲区面积。
5.根据权利要求4所述的基于不确定性的车辆盲区潜在风险量化方法，其特征在于，所述盲区不确定性权重值计算过程如下：
其中，S vis 为可视区域面积，S shadow +S vis 为总感知面积，k 1为盲区面积加权系数。
6.根据权利要求5所述的基于不确定性的车辆盲区潜在风险量化方法，其特征在于，所述可视区域面积计算过程如下：
考虑自车车速
，利用运动学公式求得自车在最大加速度/>
下减速为0的距离为/>
，驾驶员反应时间为/>
，考虑车辆刹停时的安全距离为/>
，自车感知区域半径
的计算公式如下：
其中，v为自车车速；ρ为驾驶员反应时间；l为车身长度；d为车辆刹停时的安全距离；a max 为自车最大加速度；
通过几何关系求得路面面积S road ，则可视区域面积S vis 如下式：
7.根据权利要求6所述的基于不确定性的车辆盲区潜在风险量化方法，其特征在于，所述可观测交通参与者异常加、减速度权重值计算过程如下：
其中，k 2为异常加、减速度加权系数，a side 为旁车异常加减速度，m为加速度加权系数。
8.根据权利要求7所述的基于不确定性的车辆盲区潜在风险量化方法，其特征在于，所述自车行驶区域路网车流量权重值计算过程如下：车流量用盲区中车辆平均速度v shadow_other 表示，调整系数为盲区中车速加权系数k 3。
9.根据权利要求8所述的基于不确定性的车辆盲区潜在风险量化方法，其特征在于，所述盲区潜在风险值为：
10.根据权利要求9所述的基于不确定性的车辆盲区潜在风险量化方法，其特征在于，所述可视化风险提示的预警程度设置为三种：
当盲区潜在风险值
，设置为低风险，波浪线长度为0，不预警；
当盲区潜在风险值
，设置为中风险，波浪线长度较长，中等预警；/>
当盲区潜在风险值
，设置为高风险，波浪线长度最长，紧急预警；
其中U1,U2,U3是预警阈值，可根据实际情况调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310061477.XA CN115862383B (zh) | 2023-01-20 | 2023-01-20 | 一种基于不确定性的车辆盲区潜在风险量化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310061477.XA CN115862383B (zh) | 2023-01-20 | 2023-01-20 | 一种基于不确定性的车辆盲区潜在风险量化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115862383A true CN115862383A (zh) | 2023-03-28 |
| CN115862383B CN115862383B (zh) | 2023-05-19 |
Family
ID=85657577
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310061477.XA Active CN115862383B (zh) | 2023-01-20 | 2023-01-20 | 一种基于不确定性的车辆盲区潜在风险量化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115862383B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116639151A (zh) * | 2023-05-30 | 2023-08-25 | 武汉理工大学 | 基于人行道盲区行人存在性预测的无人车控制方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110414831A (zh) * | 2019-07-24 | 2019-11-05 | 清华大学 | 基于驾驶人认知视角的人车路耦合风险评估方法及装置 |
| CN112084232A (zh) * | 2020-08-11 | 2020-12-15 | 浙江大学 | 基于目标他车视野信息的车辆行驶风险评估方法及装置 |
| CN113348119A (zh) * | 2020-04-02 | 2021-09-03 | 华为技术有限公司 | 一种车辆盲区识别方法、自动驾驶辅助系统以及包括该系统的智能驾驶车辆 |
| CN115168614A (zh) * | 2022-07-21 | 2022-10-11 | 西安理工大学 | 一种自主车辆视野遮挡区域碰撞风险评估方法及系统 |
| CN115238958A (zh) * | 2022-06-20 | 2022-10-25 | 清华大学 | 一种基于复杂交通场景的危险事件链提取方法及系统 |
-
2023
- 2023-01-20 CN CN202310061477.XA patent/CN115862383B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110414831A (zh) * | 2019-07-24 | 2019-11-05 | 清华大学 | 基于驾驶人认知视角的人车路耦合风险评估方法及装置 |
| CN113348119A (zh) * | 2020-04-02 | 2021-09-03 | 华为技术有限公司 | 一种车辆盲区识别方法、自动驾驶辅助系统以及包括该系统的智能驾驶车辆 |
| CN112084232A (zh) * | 2020-08-11 | 2020-12-15 | 浙江大学 | 基于目标他车视野信息的车辆行驶风险评估方法及装置 |
| CN115238958A (zh) * | 2022-06-20 | 2022-10-25 | 清华大学 | 一种基于复杂交通场景的危险事件链提取方法及系统 |
| CN115168614A (zh) * | 2022-07-21 | 2022-10-11 | 西安理工大学 | 一种自主车辆视野遮挡区域碰撞风险评估方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| ZHENG XINHU 等: "Multivehicle Multisensor Occupancy Grid Maps (MVMS-OGM) for Autonomous Driving" * |
| 任可可: "基于多源信息融合的汽车盲区检测及预警关键技术研究" * |
| 商伟超: "城市道路潜在危险交通场景识别与风险评估研究" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116639151A (zh) * | 2023-05-30 | 2023-08-25 | 武汉理工大学 | 基于人行道盲区行人存在性预测的无人车控制方法及系统 |
| CN116639151B (zh) * | 2023-05-30 | 2023-11-28 | 武汉理工大学 | 基于人行道盲区行人存在性预测的无人车控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115862383B (zh) | 2023-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9947227B1 (en) | Method of warning a driver of blind angles and a device for implementing the method | |
| CN110549941B (zh) | 一种基于实时信息的行人碰撞分级预警方法 | |
| US8144002B2 (en) | Alarm system for alerting driver to presence of objects | |
| CN111708016B (zh) | 一种毫米波雷达与激光雷达融合的车辆前碰撞预警方法 | |
| CN108263279A (zh) | 基于传感器整合的行人检测和行人碰撞避免装置及方法 | |
| CN111231827B (zh) | 一种雨雾天气显示车辆前方碰撞风险区域的装置和方法 | |
| WO2010053410A1 (en) | Method and system for combining sensor data | |
| CN207697623U (zh) | 一种行车侧方盲区排除预警系统 | |
| CN110775028A (zh) | 一种汽车挡风玻璃遮挡物检测及辅助驾驶系统和方法 | |
| CN110682907B (zh) | 一种汽车防追尾控制系统及方法 | |
| CN112977253B (zh) | 一种车用双向安全辅助系统 | |
| CN115366908B (zh) | 一种汽车安全驾驶控制系统 | |
| CN108248506A (zh) | 一种汽车主动安全系统、中央控制单元及控制方法 | |
| CN106428003B (zh) | 不良天气下高速公路车辆偏离车道的预警装置及方法 | |
| CN115862383B (zh) | 一种基于不确定性的车辆盲区潜在风险量化方法 | |
| EP1657568B1 (en) | System and method for monitoring the external environment of a motor vehicle | |
| JP4792865B2 (ja) | 車両用警報装置 | |
| CN112793507A (zh) | 基于惯性器件感知车辆右转运动特性的盲区预警制动系统 | |
| CN113085854A (zh) | 一种通过雷达摄像头识别车辆上方障碍物的系统和方法 | |
| CN115092131A (zh) | 一种车辆巡航系统及方法 | |
| CN111497832A (zh) | 车辆内轮差风险监测方法、装置、计算机设备及存储介质 | |
| CN113879211A (zh) | 预防渣土车右转过程与非机动车发生冲突的提醒方法及系统 | |
| CN111717196A (zh) | 一种基于视觉分析的驾驶安全辅助装置 | |
| CN111856510A (zh) | 一种基于激光雷达的车辆前碰撞预测方法 | |
| US20230322215A1 (en) | System and method of predicting and displaying a side blind zone entry alert |
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 |