CN115923783A - 一种基于高精地图车道线的车辆自动驾驶避障方法及系统 - Google Patents
一种基于高精地图车道线的车辆自动驾驶避障方法及系统 Download PDFInfo
- Publication number
- CN115923783A CN115923783A CN202211646462.1A CN202211646462A CN115923783A CN 115923783 A CN115923783 A CN 115923783A CN 202211646462 A CN202211646462 A CN 202211646462A CN 115923783 A CN115923783 A CN 115923783A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data information
- lane
- obstacle
- precision map
- 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 25
- 230000004888 barrier function Effects 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
本发明涉及一种基于高精地图车道线的车辆自动驾驶避障方法及系统,该方法包括Q1:车辆行驶在公开道路上,基于高精地图数据信息,获取车辆所在道路的道路边界外和内的障碍物数据信息,并进行二维坐标变换,输出二维坐标系下的道路边界外和内的障碍物数据信息;Q2:基于所述二维坐标系下的道路边界外和内的障碍物数据信息。本发明不仅降低系统资源占用,提高感知算法和规划决策算法效率,减小感知模块和规划决策模块的系统资源占用,而且保证自动驾驶系统体验效果,车道外通过检测规划轨迹在costmap中的热度图,车道内通过检测车道线和规划轨迹与车道内多边形的距离做最后的安全保障,保证车辆安全性能。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其是涉及一种基于高精地图车道线的车辆自动驾驶避障方法及系统。
背景技术
随着自动驾驶技术的发展,车载传感器的功能也越来越强大,常见的传感器包括相机以及激光雷达,其中,相机用于获取车辆周围物体的图像信息,激光雷达用于获取车辆周围物体的点云信息。通过对各种感知设备的信息进行融合,使得自动驾驶车辆能够较为准确地感知周围环境,来保证自动驾驶车辆的安全行驶,还有其它感知传感器如imu等。
自动驾驶汽车依靠人工智能、视觉计算、雷达、控制装置和全球定位系统协同合作,让计算机可以在没有任何人类主动的操作下,自动安全地操作机动车辆,自动驾驶过程中对汽车自动避障要求较高,需要大量的安全冗余机制保证汽车的安全性,如果对障碍物的出现误差导致汽车不能立即作出反应,将导致会造成严重的交通事故。
目前应用于自动驾驶技术的传感器有摄像头、雷达传感器、激光雷达传感器等。各传感器的性能不同,采用单一传感器无法准确感知环境,因此,将多个传感器的数据融合。但是随着自动驾驶汽车等级的提高,传统的多传感器目标融合已经无法满足决策对感知的需求,而大量冗余的感知信息对决策带来了极大的困难。因此,如何解决上述问题成为我们亟待解决的问题。
发明内容
鉴于以上现有技术的不足,本发明提供了一种基于高精地图车道线的车辆自动驾驶避障方法及系统,不仅降低系统资源占用,提高感知算法和规划决策算法效率,减小感知模块和规划决策模块的系统资源占用,而且保证自动驾驶系统体验效果,车道外通过检测规划轨迹在costmap中的热度图,车道内通过检测车道线和规划轨迹与车道内多边形的距离做最后的安全保障,保证车辆安全性能。
为了实现上述目的及其他相关目的,本发明提供的技术方案如下:
一种基于高精地图车道线的车辆自动驾驶避障方法,包括:
Q1:车辆行驶在公开道路上,基于高精地图数据信息,获取车辆所在道路的道路边界外和内的障碍物数据信息,并进行车体坐标变换,输出同一坐标系下的道路边界外和内的障碍物数据信息;
Q2:基于所述同一坐标系下的道路边界外和内的障碍物数据信息,将道路边界外的障碍物数据信息映射到二维的costmap栅格地图,并对存在障碍物的栅格进行标注,输出带有标注的栅格地图数据信息,将所述同一坐标系下的道路边界内的障碍物数据信息映射到三维的障碍物多边形,根据车载多传感器获取的感知数据信息与三维的障碍物多边形数据信息进行耦合,输出障碍物的多边形数据信息;
Q3:基于所述带有标注的栅格地图数据信息和所述障碍物的多边形数据信息,根据所述高精地图获取的车道线数据信息,通过遍历所述车道线的数据信息来判断当前车道、变道后的目标车道、变道路径中是否存在碰撞风险,输出车辆规划决策数据信息;
Q4:基于所述车辆规划决策数据信息,根据三阶贝塞尔曲线算法对车辆运动轨迹进行拟合,输出车辆避障运动控制数据信息。
进一步的,所述三阶贝塞尔曲线算法包括:
Q41:根据所述车辆规划决策数据信息,获取车辆运动轨迹的起始点与目标点的坐标数据信息;
Q42:基于所述车辆运动轨迹的起始点与目标点坐标数据信息,根据三阶贝塞尔曲线函数:
p(t)=p0(1-t)3+3p1t(1-t)2+3p2t(1-t)+p3t3,其中p0为车辆运动轨迹的起始点坐标,p3为车辆运动轨迹的目标点坐标,p1为车辆运动轨迹与车道中心线交点的坐标,p2为车辆运动轨迹的中心点坐标,对所述车辆运动轨迹进行修正,输出拟合后的车辆运动轨迹;
Q43:根据所述拟合后的车辆运动轨迹,输出车辆避障运动控制数据信息。
进一步的,所述带有标注的栅格地图数据信息包括存在障碍物的栅格标注为黑色和不存在障碍物的栅格标注为白色。
进一步的,所述车道线数据信息包括车道线坐标信息、车道中心线坐标信息、车道线属性和路口属性。
进一步的,所述车道线属性包括车辆左转标注、车辆右转标注和车辆直行标注。
进一步的,在步骤Q3中,所述输出车辆规划决策数据信息具体包括:
Q31:根据所述高精地图获取的车道线数据信息,确定车辆的车道类型,所述车道类型包括左侧车道、中间车道和右侧车道;
Q32:根据所述车辆的车道类型,检索所述带有标注的栅格地图数据信息和所述障碍物的多边形数据信息,确定当前车道是否有障碍物以及相邻车道是否有障碍物的数据信息;
Q33:根据所述当前车道是否有障碍物和相邻车道是否有障碍物的数据信息,设置车辆与障碍物的距离的预设阀值,输出车辆规划决策数据信息。
进一步的,所述车辆与障碍物的距离的预设阀值为α,50≤α≤100,当车辆与障碍物的距离大于α,则不存在碰撞风险,否则存在碰撞风险。
为了实现上述目的及其他相关目的,本发明还提供了一种基于高精地图车道线的车辆自动驾驶避障系统,所述系统包括:
高精地图模块,用于获取车辆所在车道的地图数据信息;
感知模块,基于车载多传感器用于获取车辆的感知数据信息;
规划决策模块,与所述高精地图模块、所述感知模块连接,用于根据高精地图模块和感知模块输出的信息进行车辆避障轨迹规划。
进一步的,所述车载多传感器包括摄像机、激光雷达、超声波和陀螺仪。
本发明具有以下积极效果:
1.本发明简化障碍物处理流程,降低系统资源占用,提高感知算法和规划决策算法效率,减小感知和规划决策模块的系统资源占用。
2.本发明通过遍历车道线点的方式,降低规划决策模块系统资源占用,提高软件算法效率,保证系统实时性。
3.本发明车道内通过遍历车道线的方式检测未来可能发生的碰撞,可提前规划变道或绕障,保证自动驾驶系统体验效果,车道外通过检测规划轨迹在costmap中的热度图,车道内通过检测车道线和规划轨迹与车道内多边形的距离做最后的安全保障,保证车辆安全性能。
4.本发明通过贝塞尔曲线构造变道路径,实现了平滑变道的功能。
附图说明
图1为本发明方法流程示意图;
图2为本发明感知信息和地图车道线示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例1:如图1所示,一种基于高精地图车道线的车辆自动驾驶避障方法,包括:
Q1:车辆行驶在公开道路上,基于高精地图数据信息,获取车辆所在道路的道路边界外和内的障碍物数据信息,并进行车体坐标变换,输出同一坐标系下的道路边界外和内的障碍物数据信息;
Q2:基于所述同一坐标系下的道路边界外和内的障碍物数据信息,将道路边界外的障碍物数据信息映射到二维的costmap栅格地图,并对存在障碍物的栅格进行标注,输出带有标注的栅格地图数据信息,将所述同一坐标系下的道路边界内的障碍物数据信息映射到三维的障碍物多边形,根据车载多传感器获取的感知数据信息与三维的障碍物多边形数据信息进行耦合,输出障碍物的多边形数据信息;
Q3:基于所述带有标注的栅格地图数据信息和所述障碍物的多边形数据信息,根据所述高精地图获取的车道线数据信息,通过遍历所述车道线的数据信息来判断当前车道、变道后的目标车道、变道路径中是否存在碰撞风险,输出车辆规划决策数据信息;
Q4:基于所述车辆规划决策数据信息,根据三阶贝塞尔曲线算法对车辆运动轨迹进行拟合,输出车辆避障运动控制数据信息。
在本实施例中,所述三阶贝塞尔曲线算法包括:
Q41:根据所述车辆规划决策数据信息,获取车辆运动轨迹的起始点与目标点的坐标数据信息;
Q42:基于所述车辆运动轨迹的起始点与目标点坐标数据信息,根据三阶贝塞尔曲线函数:
p(t)=p0(1-t)3+3p1t(1-t)2+3p2t(1-t)+p3t3,其中p0为车辆运动轨迹的起始点坐标,p3为车辆运动轨迹的目标点坐标,p1为车辆运动轨迹与车道中心线交点的坐标,p2为车辆运动轨迹的中心点坐标,对所述车辆运动轨迹进行修正,输出拟合后的车辆运动轨迹;
Q43:根据所述拟合后的车辆运动轨迹,输出车辆避障运动控制数据信息。
在本实施例中,所述带有标注的栅格地图数据信息包括存在障碍物的栅格标注为黑色和不存在障碍物的栅格标注为白色。
在本实施例中,所述车道线数据信息包括车道线坐标信息、车道中心线坐标信息、车道线属性和路口属性。
在本实施例中,所述车道线属性包括车辆左转标注、车辆右转标注和车辆直行标注。
在本实施例中,在步骤Q3中,所述输出车辆规划决策数据信息具体包括:
Q31:根据所述高精地图获取的车道线数据信息,确定车辆的车道类型,所述车道类型包括左侧车道、中间车道和右侧车道;
Q32:根据所述车辆的车道类型,检索所述带有标注的栅格地图数据信息和所述障碍物的多边形数据信息,确定当前车道是否有障碍物以及相邻车道是否有障碍物的数据信息;
Q33:根据所述当前车道是否有障碍物和相邻车道是否有障碍物的数据信息,设置车辆与障碍物的距离的预设阀值,输出车辆规划决策数据信息。
在本实施例中,所述车辆与障碍物的距离的预设阀值为α,50≤α≤100,当车辆与障碍物的距离大于α,则不存在碰撞风险,否则存在碰撞风险。
为了实现上述目的及其他相关目的,本发明还提供了一种基于高精地图车道线的车辆自动驾驶避障系统,所述系统包括:
高精地图模块,用于获取车辆所在车道的地图数据信息;
感知模块,基于车载多传感器用于获取车辆的感知数据信息;
规划决策模块,与所述高精地图模块、所述感知模块连接,用于根据高精地图模块和感知模块输出的信息进行车辆避障轨迹规划。
在本实施例中,所述车载多传感器包括摄像机、激光雷达、超声波和陀螺仪。
实施例2:在实施例1的一种基于高精地图车道线的车辆自动驾驶避障方法及系统的基础上,下面对本发明作进一步的说明。
定位模块实时发布当前车辆在高斯坐标系下的全局定位信息,供感知、地图、规划使用。
高精度地图根据已采集到的离线全局地图信息数据和当前坐标数据,将当前车辆前150米后50米范围内的车道线、车道边界数据、车道中心线数据,据通过rostopic发送出来后,供感知和规划决策模块做处理,其中每条车道线、车道边界、车道中心线数据以一系列高斯坐标点组成。
感知障碍物分类方法:根据定位和车道边界信息,将车道外感知到的点云信息映射到二维costmap栅格地图中,以二维的形式处理,减少感知数据的处理时间,将车道内的数据通过感知融合,生成动态多边形障碍物信息,多边形障碍物信息包括多边形各点的相对坐标信息,障碍物绝对速度信息,障碍物速度在高斯坐标系下的方向信息,障碍物加速度信息等提供给规划做决策参考。
规划决策模块收到高精度地图车道线数据后,先匹配当前车辆所在的车道中心线,确认车辆当前属于哪条车道,然后以车辆形状矩形框后轴中心为起点,车头朝向为Y轴,右方为X轴,遍历当前车辆所在车道中心线上的所有形点,计算车辆在此形点位置时与多边形障碍物的距离,遍历计算所有障碍物离车辆在此形点时,两个多边形的距离,通过判断距离是否出现小于等于0的情况,来判断是否会出现碰撞问题,由于形点间隔在2米,在前后200米范围内,当前车道内只需要遍历200次即可得出在当前车道行驶是否会碰撞的结果,如果根据costmap0.2米的栅格精度处理,则需要将近2000计算才能完成一次碰撞计算,在规划决策上,本方案直接提高10倍计算效率。
costmap则先通过opencv开源库cv::distanceTransform生成热力图,通过遍历当前车辆的规划路径(由间隔0.6米的点组成,总共50个点)所有点在costmap中对应位置的热力值数据,计算当前车辆以后轴中心为原点在规划路径上时,车辆上后轴中心、车辆中心、前轴中心所在位置在热力图中对应坐标的热力值即当前坐标存在最近障碍物的距离,然后结合车辆(长宽高)和膨胀距离(安全距离)可以判断是否会和costmap中的障碍物发生碰撞,实现碰撞检测功能。
规划决策模块默认行驶在当前匹配车道线上,以基础距离base_dis加上以当前速度为基础在指定时间(v*t)行驶的距离作为搜索距离向前搜索,如果存在有碰撞风险的障碍物,则先搜索左侧一车道再搜索右侧一车道的车道线相同距离看是否有障碍物存在碰撞风险,如果存在无障碍物碰撞风险的车道,则变道到对应车道中,如果旁边一车道无可同行车道,则再向旁边所有一车道直至有可同行车道,如果遍历所有车道依然无可通行车道则停障减速刹车,直至有可通行车道后再继续行驶。
如图2所示,规划决策模块接收地图发送的车道线数据,结合感知发送的costmap障碍物信息、多边形障碍物信息,通过遍历车道线的方式来判断当前车道、变道后的目标车道、变道路径中是否存在碰撞风险,通过当前车辆矩形框以后轴中心为原点在车道线点中的位置与多边形的距离来判断与多边形的碰撞风险,如果距离为α则说明存在碰撞风险,通过当前车辆矩形框在车道线点中的位置与costmap中最近点的距离判断与静态障碍物的碰撞风险,如果存在碰撞风险即距离小于等于α,再做对应决策实现自动驾驶避障功能。
综上所述,本发明不仅降低系统资源占用,提高感知算法和规划决策算法效率,减小感知模块和规划决策模块的系统资源占用,而且保证自动驾驶系统体验效果,车道外通过检测规划轨迹在costmap中的热度图,车道内通过检测车道线和规划轨迹与车道内多边形的距离做最后的安全保障,保证车辆安全性能。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
Claims (9)
1.一种基于高精地图车道线的车辆自动驾驶避障方法,其特征在于,包括:
Q1:车辆行驶在公开道路上,基于高精地图数据信息,获取车辆所在道路的道路边界外和内的障碍物数据信息,并进行车体坐标变换,输出同一坐标系下的道路边界外和内的障碍物数据信息;
Q2:基于所述同一坐标系下的道路边界外和内的障碍物数据信息,将道路边界外的障碍物数据信息映射到二维的costmap栅格地图,并对存在障碍物的栅格进行标注,输出带有标注的栅格地图数据信息,将所述同一坐标系下的道路边界内的障碍物数据信息映射到三维的障碍物多边形,根据车载多传感器获取的感知数据信息与三维的障碍物多边形数据信息进行耦合,输出障碍物的多边形数据信息;
Q3:基于所述带有标注的栅格地图数据信息和所述障碍物的多边形数据信息,根据所述高精地图获取的车道线数据信息,通过遍历所述车道线的数据信息来判断当前车道、变道后的目标车道、变道路径中是否存在碰撞风险,输出车辆规划决策数据信息;
Q4:基于所述车辆规划决策数据信息,根据三阶贝塞尔曲线算法对车辆运动轨迹进行拟合,输出车辆避障运动控制数据信息。
2.根据权利要求1所述的基于高精地图车道线的车辆自动驾驶避障方法,其特征在于,所述三阶贝塞尔曲线算法包括:
Q41:根据所述车辆规划决策数据信息,获取车辆运动轨迹的起始点与目标点的坐标数据信息;
Q42:基于所述车辆运动轨迹的起始点与目标点坐标数据信息,根据三阶贝塞尔曲线函数:
p(t)=p0(1-t)3+3p1t(1-t)2+3p2t(1-t)+p3t3,其中p0为车辆运动轨迹的起始点坐标,p3为车辆运动轨迹的目标点坐标,p1为车辆运动轨迹与车道中心线交点的坐标,p2为车辆运动轨迹的中心点坐标,对所述车辆运动轨迹进行修正,输出拟合后的车辆运动轨迹;
Q43:根据所述拟合后的车辆运动轨迹,输出车辆避障运动控制数据信息。
3.根据权利要求1所述的基于高精地图车道线的车辆自动驾驶避障方法,其特征在于:所述带有标注的栅格地图数据信息包括存在障碍物的栅格标注为黑色和不存在障碍物的栅格标注为白色。
4.根据权利要求1所述的基于高精地图车道线的车辆自动驾驶避障方法,其特征在于:所述车道线数据信息包括车道线坐标信息、车道中心线坐标信息、车道线属性和路口属性。
5.根据权利要求4所述的基于高精地图车道线的车辆自动驾驶避障方法,其特征在于:所述车道线属性包括车辆左转标注、车辆右转标注和车辆直行标注。
6.根据权利要求1所述的基于高精地图车道线的车辆自动驾驶避障方法,其特征在于,在步骤Q3中,所述输出车辆规划决策数据信息具体包括:
Q31:根据所述高精地图获取的车道线数据信息,确定车辆的车道类型,所述车道类型包括左侧车道、中间车道和右侧车道;
Q32:根据所述车辆的车道类型,检索所述带有标注的栅格地图数据信息和所述障碍物的多边形数据信息,确定当前车道是否有障碍物以及相邻车道是否有障碍物的数据信息;
Q33:根据所述当前车道是否有障碍物和相邻车道是否有障碍物的数据信息,设置车辆与障碍物的距离的预设阀值,输出车辆规划决策数据信息。
7.根据权利要求6所述的基于高精地图车道线的车辆自动驾驶避障方法,其特征在于:所述车辆与障碍物的距离的预设阀值为α,50≤α≤100,当车辆与障碍物的距离大于α,则不存在碰撞风险,否则存在碰撞风险。
8.一种基于高精地图车道线的车辆自动驾驶避障系统,其特征在于,所述系统包括:
高精地图模块,用于获取车辆所在车道的地图数据信息;
感知模块,基于车载多传感器用于获取车辆的感知数据信息;
规划决策模块,与所述高精地图模块、所述感知模块连接,用于根据高精地图模块和感知模块输出的信息进行车辆避障轨迹规划。
9.根据权利要求8所述的基于高精地图车道线的车辆自动驾驶避障系统,其特征在于:所述车载多传感器包括摄像机、激光雷达、超声波和陀螺仪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211646462.1A CN115923783A (zh) | 2022-12-19 | 2022-12-19 | 一种基于高精地图车道线的车辆自动驾驶避障方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211646462.1A CN115923783A (zh) | 2022-12-19 | 2022-12-19 | 一种基于高精地图车道线的车辆自动驾驶避障方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115923783A true CN115923783A (zh) | 2023-04-07 |
Family
ID=86555601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211646462.1A Pending CN115923783A (zh) | 2022-12-19 | 2022-12-19 | 一种基于高精地图车道线的车辆自动驾驶避障方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115923783A (zh) |
-
2022
- 2022-12-19 CN CN202211646462.1A patent/CN115923783A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7140922B2 (ja) | マルチセンサデータ融合方法、及び装置 | |
CN111750886B (zh) | 局部路径规划方法及装置 | |
CN111874006B (zh) | 路线规划处理方法和装置 | |
CN114258366B (zh) | 对于自主车辆的折线轮廓表示 | |
US11898855B2 (en) | Assistance control system that prioritizes route candidates based on unsuitable sections thereof | |
WO2020135740A1 (zh) | 自动驾驶车辆的换道方法、系统及车辆 | |
US10553117B1 (en) | System and method for determining lane occupancy of surrounding vehicles | |
US10325163B2 (en) | Vehicle vision | |
US11087147B2 (en) | Vehicle lane mapping | |
US20240310176A1 (en) | Method and apparatus for predicting travelable lane | |
CN113034970A (zh) | 安全性系统、自动化驾驶系统及其方法 | |
CN113432615A (zh) | 基于多传感器融合可驾驶区域的检测方法、系统和车辆 | |
EP4326589A1 (en) | Methods and systems for inferring unpainted stop lines for autonomous vehicles | |
CN114488185A (zh) | 基于多线激光雷达的机器人导航系统方法及系统 | |
WO2024155602A1 (en) | Systems and methods for navigating a vehicle by dynamic map creation based on lane segmentation | |
Thomas et al. | Sensor-based road model estimation for autonomous driving | |
CN116242375A (zh) | 一种基于多传感器的高精度电子地图生成方法和系统 | |
CN115923783A (zh) | 一种基于高精地图车道线的车辆自动驾驶避障方法及系统 | |
CN111886167A (zh) | 通过碰撞风险图执行自动驾驶车辆控制 | |
CN113899378A (zh) | 一种变道处理方法、装置、存储介质及电子设备 | |
US20230174102A1 (en) | High definition map abnormality inference and corresponding driving method, device and mobility apparatus | |
WO2023054655A1 (ja) | 先行車両判定システム | |
WO2023057261A1 (en) | Removing non-relevant points of a point cloud | |
CN115096330A (zh) | 地图变化检测方法及装置、计算机可读存储介质、终端 |
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 |