CN116910986A - 一种智能网联汽车的模拟路测系统 - Google Patents
一种智能网联汽车的模拟路测系统 Download PDFInfo
- Publication number
- CN116910986A CN116910986A CN202310728644.1A CN202310728644A CN116910986A CN 116910986 A CN116910986 A CN 116910986A CN 202310728644 A CN202310728644 A CN 202310728644A CN 116910986 A CN116910986 A CN 116910986A
- Authority
- CN
- China
- Prior art keywords
- road
- module
- traffic
- simulation
- road condition
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 57
- 238000012360 testing method Methods 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 230000001502 supplementing effect Effects 0.000 claims abstract description 4
- 206010039203 Road traffic accident Diseases 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 10
- 241000699670 Mus sp. Species 0.000 claims description 3
- 230000008094 contradictory effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种智能网联汽车的模拟路测系统,包括:路况模拟模块、路况指示牌设置模块、避障监测模块和模拟扩展模块;所述路况模拟模块用于汽车行驶状态以及当前道路状况进行模拟;所述路况指示牌设置模块用于根据当前的指示牌调节车辆;所述避障监测模块用于对开放道路中存在的障碍物进行避障测试;所述模拟扩展模块用于对模拟路测进行补充与存储。本申请可通过选择不同地区甚至国家,确定模拟路测的交通规则,并生成模拟动态路规划,针对突发路况进行分析与模拟,实现路径择优。
Description
技术领域
本申请属于智能联网汽车技术领域,具体涉及一种智能网联汽车的模拟路测系统。
背景技术
汽车场地模拟试验是检验汽车生产合格的必要途径,也是测试汽车性能和质量的有效方法,而随着科技的不断发展,针对汽车模拟试验方面的建设投资也越来越大。
现有的汽车模拟仿真测试系统通常仅能够针对测试结果对汽车的整体性能进行分析判定,然而在我国城市化没有全面覆盖的很多乡镇当中,还有很多石子路、黄土路等不平坦道路,而不同车型的汽车在这类路面上的行驶状态差异较大,因此传统的汽车模拟仿真测试系统在脱离城市的柏油路与公路后,无法根据差异性分析结果得出汽车适宜行驶的路面从而根据适宜行驶的路面针对性的为不同汽车提供不同的路线推荐与规划。
智能网联汽车的关键技术可以分为三个部分,即环境感知技术、中央决策技术和底层控制技术。其中,环境感知技术包括车辆状态、道路、行人以及交通信号感知。现有的汽车零部件制造商已经进入底层控制市场多年,底层控制系统适用于智能互联车辆,可以不断实现和完善相应功能。对于驾驶者来说,我们将继续研究控制自动驾驶汽车,并会帮助智能网联系统记忆在不同情况下遇到的各类事故。但是就目前而言,中央决策技术将成为无人驾驶汽车发展的瓶颈。如果车辆无法提前预测周边环境、各种道路状况和交通情况,一旦遇到事故无人驾驶车辆就很难做出正确处理。
发明内容
为实现上述目的,本发明提供了一种智能网联汽车的模拟路测系统,包括:路况模拟模块、路况指示牌设置模块、避障监测模块和模拟扩展模块;
所述路况模拟模块用于智能网联汽车行驶状态以及当前道路状况进行模拟;
所述路况指示牌设置模块用于根据当前的指示牌调节车辆;
所述避障监测模块用于对开放道路中存在的障碍物进行避障测试;
所述模拟扩展模块用于对模拟路测进行补充与存储。
可选的,所述路况模拟模块包括突发路况模拟子模块、交通规则学习子模块、交通事故分析子模块;
所述突发路况模拟子模块用于针对真实道路中出现的突发路况进行路况的布局与状况模拟;
所述交通规则学习子模块用于对车辆所在地的交通规则进行学习;
所述交通事故分析子模块用于对交通事故进行分析后得到影响因素与事故发生时间之间的联系。
可选的,实现针对真实道路中出现的突发路况进行路况的布局与状况模拟的过程为:
建立包含里程信息字段的地标数据索引;
建立道路数据索引;
转化生成突发路况信息;
将所述突发路况信息输入到路况模拟分析模型,实现对路况布局与状况的模拟。
可选的,对车辆所在地的交通规则进行学习的过程为:
利用大数据与机器学习学习技术,对历史交通规则数据按地域与规则分类训练得到预实际交通情况更加吻合的交通规则模型。
可选的,对交通事故进行分析后得到影响因素与事故发生时间之间的联系的过程为:
收集N个道路交通事故样本数据以及交通事故持续时间的影响因素;
删除影响因素之间互相矛盾的样本数据和数据完整性小于预设百分比的样本数据,得到清洗后的样本集和交通事故持续时间集;
对清洗后的样本集和交通事故持续时间集中的样本进行分类离散处理并赋值,得到分类赋值后的样本集和交通事故持续时间集;
利用LASSO算法筛选与事故持续时间相关的变量,利用链式方程多重插补MICE填充缺失变量,得到完整样本集;
基于所述完整样本集建立影响因素与事故发生时间之间的映射关系。
可选的,所述路况指示牌设置模块包括地点选择子模块和路牌识别子模块;
所述地点选择子模块用于选择不同地区,确定交通规则;
所述路牌识别子模块用于识别实时道路中的指示牌。
可选的,识别实时道路中的指示牌的过程包括:
获得包括至少一张图像的图像组和图像组中的图像记录了同一个带有数字的交通指示牌;
对图像组中的图像进行图像识别,输出图像记录的交通指示牌的内容识别结果和内容的置信度;
根据交通指示牌的类型获取交通指示牌的类型所对应的先验规则;
基于所述先验规则对内容识别结果的置信度进行更新;
根据所述图像组中的图像对应的内容识别结果和更新后的内容识别结果的置信度获得交通指示牌的识别结果。
可选的,所述避障监测模块包括路径生成监测子模块与动态决策子模块;
所述路径生成监测子模块用于基于模拟路况进行路径的生成;
所述动态决策子模块用于基于生成的路径和障碍物的检测实现动态规划。
与现有技术相比,本申请的有益效果为:
本申请可通过选择不同地区甚至国家,确定模拟路测的交通规则,并生成模拟动态路规划,针对突发路况进行分析与模拟,实现路径择优。
附图说明
为了更清楚地说明本申请的技术方案,下面对实施例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是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例一种智能网联汽车的模拟路测系统的系统结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
在本实施例中,如图1所示,一种智能网联汽车的模拟路测系统,包括:路况模拟模块、路况指示牌设置模块、避障监测模块和模拟扩展模块;
路况模拟模块用于智能网联汽车行驶状态以及当前道路状况进行模拟;
路况指示牌设置模块用于根据当前的指示牌调节车辆;
避障监测模块用于对开放道路中存在的障碍物进行避障测试;
模拟扩展模块用于对模拟路测进行补充与存储。
路况模拟模块包括突发路况模拟子模块、交通规则学习子模块、交通事故分析子模块;
突发路况模拟子模块用于针对真实道路中出现的突发路况进行路况的布局与状况模拟;
交通规则学习子模块用于对车辆所在地的交通规则进行学习;
交通事故分析子模块用于对交通事故进行分析后得到影响因素与事故发生时间之间的联系。
实现针对真实道路中出现的突发路况进行路况的布局与状况模拟的过程为:
建立包含里程信息字段的地标数据索引;
建立道路数据索引;从POI数据中提取以下类型的POI作为备选地标:高速出入口、快速出入口、立交桥、跨河桥、隧道、山脉、大厦、小区、服务区、收费站、停车场、加油站、街道(类型不限)。计算备选地标与所有道路的最小投影距离,选择投影距离中的最小值记作Dmin,若最小投影距离满足阈值条件,即Dmin<30m,则把备选地标选入对应道路的地标集合中,该备选地标与对应道路的投影距离为Dmin。计算该备选地标在对应道路上的投影与该道路起点间的里程;建立地标索引结构,该地标索引结构包括地标索引号及地标数据项,每一地标索引号用于索引地标数据项,所述地标索引结构中根据地标索引号从小到大排序存储。建立道路索引结构,包括道路索引项和道路数据项,道路索引项用于检索道路数据项,道路索引项中的道路RID按照从小到大排序存储,在道路数据项中,每条道路所含地标索引号集合中的地标索引号按地标中里程字段的数值从小到大排序存储。
转化生成突发路况信息;在确定用户上传的突发交通事件地点经纬度坐标所在的道路RID后,根据道路数据索引文件,由折半查找法获取指定道路RID所属参数字段;计算发生突发交通事件地点到该道路起点的里程,记为Li,由该道路所含地标索引号集合,根据地标索引数据文件,由折半查找法获取指定道路ID的地标,由此可获取各个地标对应的属性字段数据,包括里程、地标名称所占字节长度、地标名称。计算地标集合中各个地标投影与突发交通事件地点之间的距离,记为|Li-LO|;比较获得与该突发交通事件发生地点距离最近的地标,设该地标投影到该道路起点的里程记为L。
将突发路况信息输入到路况模拟分析模型,实现对路况布局与状况的模拟。根据突发路况后交通出行数据、交通小区之间的阻抗以及重力模型,得到交通分布情况;根据交通分布情况以及用户均衡分配模型对交通小区之间分配车流量;
根据交通小区之间的车流量,得到待分析的突发路况后区域的交通路况模拟分析结果。
其中,得到待分析的突发路况后区域的交通路况模拟分析结果的过程包括;
根据交通小区之间的车流量以及道路基础数据,建立道路仿真模拟模型:其中,所述道路基础数据包括道路长度以及车道宽度;确定道路受阻路段;其中,所述道路受阻路段包括部分车道被阻断路段以及所有车道被阻断路段:根据震后建筑瓦砾堆积和次生火灾的影响范围确定道路受阻路段的受损范围:其中,道路受阻路段的受损范围包括部分车道被阻断路段的受损范围以及所有车道被阻断路段的受损范围:根据所述道路受阻路段、道路受阻路段的受损范围以及道路仿真模拟模型,得到待分析的震后区域的交通路况模拟分析结果。
对车辆所在地的交通规则进行学习的过程为:
利用大数据与机器学习学习技术,对历史交通规则数据按地域与规则分类训练得到预实际交通情况更加吻合的交通规则模型。
对交通事故进行分析后得到影响因素与事故发生时间之间的联系的过程为:
收集N个道路交通事故样本数据以及交通事故持续时间的影响因素;
删除影响因素之间互相矛盾的样本数据和数据完整性小于预设百分比的样本数据,得到清洗后的样本集和交通事故持续时间集;预设百分比为60%。
对清洗后的样本集和交通事故持续时间集中的样本进行分类离散处理并赋值,得到分类赋值后的样本集和交通事故持续时间集;
利用LASSO算法筛选与事故持续时间相关的变量,利用链式方程多重插补MICE填充缺失变量,得到完整样本集;
基于完整样本集建立影响因素与事故发生时间之间的映射关系。事故持续时间和影像因素之间存在T”=D”β+ε,β为回归系数,ε为随机误差,D为分类赋值后的样本集,Q(β)=||ε||2=||T″-D″β||2,Q(β)为无偏估计量;利用最小二乘法有:引入范数惩罚参数,则有:βLASSO为引入范数惩罚参数的回归系数,βi为特征变量i的回归系数,η为第一调节系数;/>λ为第二调节系数,当η<Q(β)时,n个影响因素中部分因素的系数就会被压缩为0,从而实现变量筛选,剩余的m个变量构成LASSO算法筛选后的样本集D″′,di″′为第i个LASSO算法筛选后的交通事故样本,d(im)″为第i个LASSO算法筛选后的交通事故样本的第m个影响因素。
数据样本包括:驾驶员、车辆、道路、环境、事故属性;样本数据的影响因素包括:驾驶员的年龄包括性别和年龄,车辆影响因素包括是否设计大型车、设施车辆是否能移动、是否携带危险品、道路影响因素包括道路设施是否毁损、是否有抛洒物品、路面是否潮湿,事故属性影响因素包括事故类型,包括:追尾、碰撞固定物、侧翻、机动车刮撞、着火或抛锚;事故严重程度包括财产损失、受伤事故和死亡事故。
路况指示牌设置模块包括地点选择子模块和路牌识别子模块;
地点选择子模块用于选择不同地区,确定交通规则;
路牌识别子模块用于识别实时道路中的指示牌。
识别实时道路中的指示牌的过程包括:
获得包括至少一张图像的图像组和图像组中的图像记录了同一个带有数字的交通指示牌;
对图像组中的图像进行图像识别,输出图像记录的交通指示牌的内容识别结果和内容的置信度;
根据交通指示牌的类型获取交通指示牌的类型所对应的先验规则;
基于先验规则对内容识别结果的置信度进行更新;
根据图像组中的图像对应的内容识别结果和更新后的内容识别结果的置信度获得交通指示牌的识别结果。
本申请实施例提供的一种交通指示牌的识别方法,能够对记录有同一交通指示牌的图像组的图像进行识别,输出图像记录的交通指示牌的内容识别结果和该内容识别结果的置信度;然后根据交通指示牌的类型获取该交通指示牌的类型所对应的先验规则,对内容识别结果的置信度进行更新;从而根据图像组中的图像对应的内容识别结果和更新后的该内容识别结果的置信度,获得交通指示牌的识别结果。可见,本申请可以完成对交通指示牌的自动准确识别,而无需作业人员进行人工标注,避免了通过人工作业方式来识别交通指示牌的内容的过程中,存在的处理速度慢、过程繁琐复杂且容易出现识别结果不准确的问题。避障监测模块包括路径生成监测子模块与动态决策子模块;
所述路径生成监测子模块用于基于模拟路况进行路径的生成;
所述路径生成基于动态高精度地图进行路径规划,具体包括:动态信息采集的过程,包括车辆动态信息和交通动态信息;动态信息处理的过程,包括对动态信息清洗、分类、编码、定位;动态信息发布的过程;动态信息数据与基础数据以及附加数据进行编译,形成高精度静态差分地图的过程,结果动态信息与高精度静态差分地图形成动态高精度地图。
所述动态决策子模块用于基于生成的路径和障碍物的检测实现动态规划。
模拟扩展模块包括存储子模块和通讯服务子模块;所述存储子模块用于存储突发事件时存储关键数据。本实施例采用自动记录的方法。通讯服务子模块用于对数据生命周期管理,对车辆数据的采集、存储、传输和使用,定期开展风险评估,在存储和传输过程中采用加密或防篡改,在使用过程中采用访问控制,并定制备份关键业务数据。
以上所述的实施例仅是对本申请优选方式进行的描述,并非对本申请的范围进行限定,在不脱离本申请设计精神的前提下,本领域普通技术人员对本申请的技术方案做出的各种变形和改进,均应落入本申请权利要求书确定的保护范围内。
Claims (8)
1.一种智能网联汽车的模拟路测系统,其特征在于,包括:路况模拟模块、路况指示牌设置模块、避障监测模块和模拟扩展模块;
所述路况模拟模块用于智能网联汽车行驶状态以及当前道路状况进行模拟;
所述路况指示牌设置模块用于根据当前的指示牌调节车辆;
所述避障监测模块用于对开放道路中存在的障碍物进行避障测试;
所述模拟扩展模块用于对模拟路测进行补充与存储。
2.根据权利要求1所述的智能网联汽车的模拟路测系统,其特征在于,所述路况模拟模块包括突发路况模拟子模块、交通规则学习子模块、交通事故分析子模块;
所述突发路况模拟子模块用于针对真实道路中出现的突发路况进行路况的布局与状况模拟;
所述交通规则学习子模块用于对车辆所在地的交通规则进行学习;
所述交通事故分析子模块用于对交通事故进行分析后得到影响因素与事故发生时间之间的联系。
3.根据权利要求2所述的智能网联汽车的模拟路测系统,其特征在于,实现针对真实道路中出现的突发路况进行路况的布局与状况模拟的过程为:
建立包含里程信息字段的地标数据索引;
建立道路数据索引;
转化生成突发路况信息;
将所述突发路况信息输入到路况模拟分析模型,实现对路况布局与状况的模拟。
4.根据权利要求2所述的智能网联汽车的模拟路测系统,其特征在于,对车辆所在地的交通规则进行学习的过程为:
利用大数据与机器学习学习技术,对历史交通规则数据按地域与规则分类训练得到预实际交通情况更加吻合的交通规则模型。
5.根据权利要求4所述的智能网联汽车的模拟路测系统,其特征在于,对交通事故进行分析后得到影响因素与事故发生时间之间的联系的过程为:
收集N个道路交通事故样本数据以及交通事故持续时间的影响因素;
删除影响因素之间互相矛盾的样本数据和数据完整性小于预设百分比的样本数据,得到清洗后的样本集和交通事故持续时间集;
对清洗后的样本集和交通事故持续时间集中的样本进行分类离散处理并赋值,得到分类赋值后的样本集和交通事故持续时间集;
利用LASSO算法筛选与事故持续时间相关的变量,利用链式方程多重插补MICE填充缺失变量,得到完整样本集;
基于所述完整样本集建立影响因素与事故发生时间之间的映射关系。
6.根据权利要求4所述的智能网联汽车的模拟路测系统,其特征在于,所述路况指示牌设置模块包括地点选择子模块和路牌识别子模块;
所述地点选择子模块用于选择不同地区,确定交通规则;
所述路牌识别子模块用于识别实时道路中的指示牌。
7.根据权利要求6所述的智能网联汽车的模拟路测系统,其特征在于,识别实时道路中的指示牌的过程包括:
获得包括至少一张图像的图像组和图像组中的图像记录了同一个带有数字的交通指示牌;
对图像组中的图像进行图像识别,输出图像记录的交通指示牌的内容识别结果和内容的置信度;
根据交通指示牌的类型获取交通指示牌的类型所对应的先验规则;
基于所述先验规则对内容识别结果的置信度进行更新;
根据所述图像组中的图像对应的内容识别结果和更新后的内容识别结果的置信度获得交通指示牌的识别结果。
8.根据权利要求5所述的智能网联汽车的模拟路测系统,其特征在于,所述避障监测模块包括路径生成监测子模块与动态决策子模块;
所述路径生成监测子模块用于基于模拟路况进行路径的生成;
所述动态决策子模块用于基于生成的路径和障碍物的检测实现动态规划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310728644.1A CN116910986A (zh) | 2023-06-19 | 2023-06-19 | 一种智能网联汽车的模拟路测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310728644.1A CN116910986A (zh) | 2023-06-19 | 2023-06-19 | 一种智能网联汽车的模拟路测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116910986A true CN116910986A (zh) | 2023-10-20 |
Family
ID=88359160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310728644.1A Pending CN116910986A (zh) | 2023-06-19 | 2023-06-19 | 一种智能网联汽车的模拟路测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116910986A (zh) |
-
2023
- 2023-06-19 CN CN202310728644.1A patent/CN116910986A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109520744B (zh) | 自动驾驶车辆的驾驶性能测试方法和装置 | |
EP2603770B1 (en) | Parking lot detection using probe data | |
CN107103775B (zh) | 一种基于群智计算的道路质量检测方法 | |
Staniek | Road pavement condition diagnostics using smartphone-based data crowdsourcing in smart cities | |
CN111179585A (zh) | 自动驾驶车辆的场地测试方法及装置 | |
KR101815511B1 (ko) | 교통 시뮬레이션을 위한 프레임워크 및 이를 이용한 시뮬레이션방법 | |
CN101275841A (zh) | 地物信息收集装置及地物信息收集方法 | |
US20220215749A1 (en) | Method for predicting at least one profile of the speed of a vehicle on a road network | |
JP2011503639A (ja) | 地図の更新において使用される、実世界の変化を検出するために複数の車両からのプローブ・データを使用する方法及びシステム | |
CN106056903B (zh) | 基于gps数据的道路拥塞区域的检测方法 | |
Ding et al. | Towards generating network of bikeways from Mapillary data | |
CN113887037A (zh) | 一种不同渗透率的网联环境下自动驾驶系统测评方法 | |
CN116597690B (zh) | 智能网联汽车的高速公路测试场景生成方法、设备及介质 | |
KR20220138894A (ko) | 노면표시 정보의 예측 및 인식방법 및 도로 유지관리 방법 | |
Bartin et al. | Modeling and simulation of unconventional traffic circles | |
CN116910986A (zh) | 一种智能网联汽车的模拟路测系统 | |
CN115718702A (zh) | 一种自动驾驶测试场景库构建方法及系统 | |
CN115798212A (zh) | 一种基于出租车轨迹的交通拥堵检测方法 | |
CN116434525A (zh) | 一种高速公路智能管理预警系统 | |
Golze et al. | Impact analysis of accidents on the traffic flow based on massive floating car data | |
Silva et al. | Interpreting traffic congestion using fundamental diagrams and probabilistic graphical modeling | |
Entezari et al. | A review on the impacts of connected vehicles on pavement management systems | |
Bharadwaj et al. | Raster Data Based Automated Noise Data Integration for Noise Mapping Limiting Data Dependency | |
Siebke et al. | Realistic Traffic for Safety-Relevant Studies: A Comprehensive Calibration and Validation Strategy Using Dream for Virtual Assessment of Advanced Driver Assistance Systems (ADAS) and Highly Automated Driving (HAD) | |
CN117494018A (zh) | 一种基于群体数据分析的异常行为监测预警方法 |
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 |