CN116991104A - 一种无人驾驶车辆自动化驱动的装置 - Google Patents
一种无人驾驶车辆自动化驱动的装置 Download PDFInfo
- Publication number
- CN116991104A CN116991104A CN202311025881.8A CN202311025881A CN116991104A CN 116991104 A CN116991104 A CN 116991104A CN 202311025881 A CN202311025881 A CN 202311025881A CN 116991104 A CN116991104 A CN 116991104A
- Authority
- CN
- China
- Prior art keywords
- module
- vehicle
- algorithm
- data
- control
- 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
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000004891 communication Methods 0.000 claims abstract description 21
- 238000006243 chemical reaction Methods 0.000 claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 18
- 230000008447 perception Effects 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 14
- 239000002245 particle Substances 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25257—Microcontroller
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种无人驾驶车辆自动化驱动的装置，涉及无人驾驶技术领域。本发明，包括传感器系统，所述传感器系统连接有用于将传感器系统采集的数据信息转换数字信息的数据转换模块，所述数据转换模块连接有用于对数字信息进行集中处理和运算的处理模块，且处理模块内嵌设有实时感知算法。本发明通过传感器系统、数据转换模块、处理模块、导航模块、通信模块、自动驾驶控制模块之间形成一个闭环系统，传感器系统获取环境数据，处理模块进行感知、决策和路径规划，导航模块确定车辆位置和方向，通信模块实现数据交互和更新，自动驾驶控制模块执行相应的控制指令，通过这种处理逻辑方法，自动驾驶车辆能够实现准确、安全地行驶。
Description
技术领域
本发明涉及无人驾驶技术领域，具体涉及一种无人驾驶车辆自动化驱动的装置。
背景技术
无人驾驶车辆是指能够在没有人类驾驶员干预的情况下自主行驶的车辆，它们利用各种传感器、算法和控制系统来感知周围环境、做出决策并控制车辆行驶，无人驾驶车辆通常可以根据自动化程度分为以下几个级别：无自动化、驾驶员辅助、部分自动化、有条件自动化、高度自动化以及完全自动化，完全自动化最高级别的自动化，车辆完全可以在任何道路环境和条件下实现自主驾驶，不需要人类驾驶员介入，无人驾驶车辆的自动化驱动是指车辆在没有人为干预的情况下，通过使用传感器、算法和控制系统等技术，能够自主地感知周围环境、做出决策并控制车辆行驶。
当前无人驾驶车辆在自动化驱动方面已经取得了很大的进展，但仍然存在一些问题需要解决，当前无人驾驶车辆在复杂交通环境中的感知仍然存在挑战，特别是在恶劣天气条件、光照不足以及复杂道路场景等情况下，预测其他交通参与者(如行人、自行车手和其他车辆)的行为是实现安全自动驾驶的关键，然而预测人类行为仍然是一个具有挑战性的问题，因为人类行为往往是复杂且不确定的，包括意图、规划和反应等因素，高精度地图对于自动驾驶至关重要，但目前道路网络的频繁变化也带来地图与实际道路情况不匹配的问题，因此如何及时更新和维护地图数据仍然是一个挑战。
为此提出一种无人驾驶车辆自动化驱动的装置。
发明内容
本发明的目的在于：为解决上述背景技术中提出的问题，本发明提供了一种无人驾驶车辆自动化驱动的装置。
本发明为了实现上述目的具体采用以下技术方案：
一种无人驾驶车辆自动化驱动的装置，包括传感器系统，所述传感器系统连接有用于将传感器系统采集的数据信息转换数字信息的数据转换模块，所述数据转换模块连接有用于对数字信息进行集中处理和运算的处理模块，且处理模块内嵌设有实时感知算法，所述处理模块连接有通信模块，通信模块连接有导航模块，所述中央处理模块连接有用于控制无人驾驶车辆驱动的自动驾驶控制模块，所述自动驾驶控制模块内设置有感知决策方法。
进一步地，所述传感器系统包括车辆全景摄像头、激光雷达、防碰撞雷达以及声波传感器，所述车辆全景摄像头、激光雷达、防碰撞雷达以及声波传感器用于对无人驾驶车辆周边环境数据进行采集。
进一步地，3.所述实时感知算法运行时包括以下步骤：
S1：目标检测和跟踪；目标检测算法用于识别图像或传感器数据中的不同目标，目标检测算法包括卷积神经网络、YOLO、Faster R-CNN，跟踪算法通过追踪目标在连续帧之间的位置和运动来实现目标的持续跟踪；
S2：场景分割；场景分割算法用于将图像或传感器数据分割成不同的语义区域，且场景分割算法包括语义分割算法，语义分割算法可采用Fully Convolutional Network或U-Net；
S3：感知融合；感知融合算法将来自多个传感器的数据进行融合，以提高感知结果的准确性；
S4：地图匹配算法将车辆当前的位置和传感器数据与预先构建的地图进行匹配，以提供更准确的定位信息，地图匹配算法使用粒子滤波、最小二乘法或基于特征点的方法来实现；
S5：动态目标预测：动态目标预测算法通过分析目标的运动模式和历史轨迹，预测其未来的位置和行为，且动态目标预测算法包括卡尔曼滤波、粒子滤波、递归神经网络。
进一步地，所述步骤S3中融合算法可采用卡尔曼滤波、粒子滤波或扩展卡尔曼滤波，融合算法用于结合传感器的测量误差和可靠性进行数据融合。
进一步地，5.所述感知决策方法包括以下步骤：
步骤一：感知结果获取；处理单元模块从传感器系统接收到感知结果；
步骤二：决策结果生成；基于感知结果，处理单元模块运行决策算法来生成相应的决策结果，决策结果包括车辆的速度、转向角度、加速度等信息，以及相应的行驶策略；
步骤三：控制指令生成；处理单元模块利用决策结果，根据车辆动力学模型和控制算法，生成相应的控制指令；
步骤四：控制执行：生成的控制指令被发送给控制系统，控制系统利用电动机、转向系统和制动系统等执行相应的控制动作；
步骤五：车辆行驶：通过控制系统的执行，车辆按照预定轨迹进行行驶，控制系统不断地接收感知结果、生成决策和控制指令，并实时更新车辆的控制行为，以适应道路和交通条件的变化。
进一步地，所述导航系统利用全球定位系统和惯性导航系统等设备，确定车辆的位置、方向和速度，导航系统将定位信息传输给处理单元模块，供其进行路径规划和导航决策。
进一步地，所述通信模块用于实现车辆与其他车辆、基础设施和云服务器之间的数据交换和通信，通过与其他车辆和基础设施的通信，车辆可以共享实时的交通信息、道路状况和地图数据，接收来自云服务器的指令和更新，以及实时交通和导航数据，并将其传递给处理单元和控制系统。
进一步地，所述自动驾驶控制模块包括车辆行驶的驱动电机、转向系统、制动系统，用于控制车辆的加速、转向和制动。
本发明的有益效果如下：
1、本发明通过传感器系统、数据转换模块、处理模块、导航模块、通信模块、自动驾驶控制模块之间形成一个闭环系统，传感器系统获取环境数据，处理模块进行感知、决策和路径规划，导航模块确定车辆位置和方向，通信模块实现数据交互和更新，自动驾驶控制模块执行相应的控制指令，通过这种处理逻辑方法，自动驾驶车辆能够实现准确、安全地行驶；
2、本发明通过实时感知算法在处理单元模块中相互结合，不断地对传感器数据进行分析和处理，生成对周围环境的感知结果，这些结果将用于决策模块来制定下一步的行动计划，以实现安全、高效的自动驾驶行驶；
3、本发明通过感知决策过程是连续的，它从传感器获取最新的感知结果，并基于这些结果生成实时的决策和控制指令，这样的闭环控制系统能够使车辆在不断变化的道路环境中保持稳定且安全的行驶。
附图说明
图1是本发明无人驾驶车辆自动化驱动的模块示意图；
图2是本发明传感器系统的组成示意图；
图3是本发明无人驾驶车辆的实时感知算法的流程图；
图4是本发明控制系统的感知决策方法的流程图；
图5是本发明感知融合算法的组成示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明实施方式的描述中，需要说明的是，术语“内”、“外”、“上”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
如图1至图5所示，一种无人驾驶车辆自动化驱动的装置，包括传感器系统，传感器系统连接有用于将传感器系统采集的数据信息转换数字信息的数据转换模块，数据转换模块连接有用于对数字信息进行集中处理和运算的处理模块，且处理模块内嵌设有实时感知算法，处理模块连接有通信模块，通信模块连接有导航模块，中央处理模块连接有用于控制无人驾驶车辆驱动的自动驾驶控制模块，自动驾驶控制模块内设置有感知决策方法；
具体的为，通过传感器系统、数据转换模块、处理模块、导航模块、通信模块、自动驾驶控制模块之间形成一个闭环系统，传感器系统获取环境数据，处理模块进行感知、决策和路径规划，导航模块确定车辆位置和方向，通信模块实现数据交互和更新，自动驾驶控制模块执行相应的控制指令，通过这种处理逻辑方法，自动驾驶车辆能够实现准确、安全地行驶。
如图1、图2所示，传感器系统包括车辆全景摄像头、激光雷达、防碰撞雷达以及声波传感器，车辆全景摄像头、激光雷达、防碰撞雷达以及声波传感器用于对无人驾驶车辆周边环境数据进行采集；具体的为，车辆全景摄像头、激光雷达、防碰撞雷达以及声波传感器用于获取车辆周围环境的数据，包括道路、车辆、行人等。
如图1、图3所示，实时感知算法运行时包括以下步骤：
S1：目标检测和跟踪；目标检测算法用于识别图像或传感器数据中的不同目标，目标检测算法包括卷积神经网络、YOLO、Faster R-CNN，跟踪算法通过追踪目标在连续帧之间的位置和运动来实现目标的持续跟踪；
S2：场景分割；场景分割算法用于将图像或传感器数据分割成不同的语义区域，且场景分割算法包括语义分割算法，语义分割算法可采用Fully Convolutional Network或U-Net；
S3：感知融合；感知融合算法将来自多个传感器的数据进行融合，以提高感知结果的准确性；
S4：地图匹配算法将车辆当前的位置和传感器数据与预先构建的地图进行匹配，以提供更准确的定位信息，地图匹配算法使用粒子滤波、最小二乘法或基于特征点的方法来实现；
S5：动态目标预测：动态目标预测算法通过分析目标的运动模式和历史轨迹，预测其未来的位置和行为，且动态目标预测算法包括卡尔曼滤波、粒子滤波、递归神经网络；
具体的为，实时感知算法在处理单元模块中相互结合，不断地对传感器数据进行分析和处理，生成对周围环境的感知结果，这些结果将用于决策模块来制定下一步的行动计划，以实现安全、高效的自动驾驶行驶。
如图1、图2、图5所示，步骤S3中融合算法可采用卡尔曼滤波、粒子滤波或扩展卡尔曼滤波，融合算法用于结合传感器的测量误差和可靠性进行数据融合；具体的为，通过采用卡尔曼滤波、粒子滤波或扩展卡尔曼滤波使得在结合传感器的测量误差和可靠性进行数据融合。
如图1、图4所示，感知决策方法包括以下步骤：
步骤一：感知结果获取；处理单元模块从传感器系统接收到感知结果；
步骤二：决策结果生成；基于感知结果，处理单元模块运行决策算法来生成相应的决策结果，决策结果包括车辆的速度、转向角度、加速度等信息，以及相应的行驶策略；
步骤三：控制指令生成；处理单元模块利用决策结果，根据车辆动力学模型和控制算法，生成相应的控制指令；
步骤四：控制执行：生成的控制指令被发送给控制系统，控制系统利用电动机、转向系统和制动系统等执行相应的控制动作；
步骤五：车辆行驶：通过控制系统的执行，车辆按照预定轨迹进行行驶，控制系统不断地接收感知结果、生成决策和控制指令，并实时更新车辆的控制行为，以适应道路和交通条件的变化；
具体的为，感知决策过程是连续的，它从传感器获取最新的感知结果，并基于这些结果生成实时的决策和控制指令，这样的闭环控制系统能够使车辆在不断变化的道路环境中保持稳定且安全的行驶。
如图1所示，导航系统利用全球定位系统和惯性导航系统等设备，确定车辆的位置、方向和速度，导航系统将定位信息传输给处理单元模块，供其进行路径规划和导航决策。
如图1所示，通信模块用于实现车辆与其他车辆、基础设施和云服务器之间的数据交换和通信，通过与其他车辆和基础设施的通信，车辆可以共享实时的交通信息、道路状况和地图数据，接收来自云服务器的指令和更新，以及实时交通和导航数据，并将其传递给处理单元和控制系统。
如图1所示，自动驾驶控制模块包括车辆行驶的驱动电机、转向系统、制动系统，用于控制车辆的加速、转向和制动。
综上：通过传感器系统、数据转换模块、处理模块、导航模块、通信模块、自动驾驶控制模块之间形成一个闭环系统，传感器系统获取环境数据，处理模块进行感知、决策和路径规划，导航模块确定车辆位置和方向，通信模块实现数据交互和更新，自动驾驶控制模块执行相应的控制指令，通过这种处理逻辑方法，自动驾驶车辆能够实现准确、安全地行驶；实时感知算法在处理单元模块中相互结合，不断地对传感器数据进行分析和处理，生成对周围环境的感知结果，这些结果将用于决策模块来制定下一步的行动计划，以实现安全、高效的自动驾驶行驶；感知决策过程是连续的，它从传感器获取最新的感知结果，并基于这些结果生成实时的决策和控制指令，这样的闭环控制系统能够使车辆在不断变化的道路环境中保持稳定且安全的行驶。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (8)
1.一种无人驾驶车辆自动化驱动的装置，其特征在于，包括传感器系统，所述传感器系统连接有用于将传感器系统采集的数据信息转换数字信息的数据转换模块，所述数据转换模块连接有用于对数字信息进行集中处理和运算的处理模块，且处理模块内嵌设有实时感知算法，所述处理模块连接有通信模块，通信模块连接有导航模块，所述中央处理模块连接有用于控制无人驾驶车辆驱动的自动驾驶控制模块，所述自动驾驶控制模块内设置有感知决策方法。
2.根据权利要求1所述的一种无人驾驶车辆自动化驱动的装置，其特征在于，所述传感器系统包括车辆全景摄像头、激光雷达、防碰撞雷达以及声波传感器，所述车辆全景摄像头、激光雷达、防碰撞雷达以及声波传感器用于对无人驾驶车辆周边环境数据进行采集。
3.根据权利要求1所述的一种无人驾驶车辆自动化驱动的装置，其特征在于，所述实时感知算法运行时包括以下步骤：
S1：目标检测和跟踪；目标检测算法用于识别图像或传感器数据中的不同目标，目标检测算法包括卷积神经网络、YOLO、Faster R-CNN，跟踪算法通过追踪目标在连续帧之间的位置和运动来实现目标的持续跟踪；
S2：场景分割；场景分割算法用于将图像或传感器数据分割成不同的语义区域，且场景分割算法包括语义分割算法，语义分割算法可采用Fully Convolutional
Network或U-Net；
S3：感知融合；感知融合算法将来自多个传感器的数据进行融合，以提高感知结果的准确性；
S4：地图匹配算法将车辆当前的位置和传感器数据与预先构建的地图进行匹配，以提供更准确的定位信息，地图匹配算法使用粒子滤波、最小二乘法或基于特征点的方法来实现；
S5：动态目标预测：动态目标预测算法通过分析目标的运动模式和历史轨迹，预测其未来的位置和行为，且动态目标预测算法包括卡尔曼滤波、粒子滤波、递归神经网络。
4.根据权利要求3所述的一种无人驾驶车辆自动化驱动的装置，其特征在于，所述步骤S3中融合算法可采用卡尔曼滤波、粒子滤波或扩展卡尔曼滤波，融合算法用于结合传感器的测量误差和可靠性进行数据融合。
5.根据权利要求1所述的一种无人驾驶车辆自动化驱动的装置，其特征在于，所述感知决策方法包括以下步骤：
步骤一：感知结果获取；处理单元模块从传感器系统接收到感知结果；
步骤二：决策结果生成；基于感知结果，处理单元模块运行决策算法来生成相应的决策结果，决策结果包括车辆的速度、转向角度、加速度等信息，以及相应的行驶策略；
步骤三：控制指令生成；处理单元模块利用决策结果，根据车辆动力学模型和控制算法，生成相应的控制指令；
步骤四：控制执行：生成的控制指令被发送给控制系统，控制系统利用电动机、转向系统和制动系统等执行相应的控制动作；
步骤五：车辆行驶：通过控制系统的执行，车辆按照预定轨迹进行行驶，控制系统不断地接收感知结果、生成决策和控制指令，并实时更新车辆的控制行为，以适应道路和交通条件的变化。
6.根据权利要求1所述的一种无人驾驶车辆自动化驱动的装置，其特征在于，所述导航系统利用全球定位系统和惯性导航系统等设备，确定车辆的位置、方向和速度，导航系统将定位信息传输给处理单元模块，供其进行路径规划和导航决策。
7.根据权利要求1所述的一种无人驾驶车辆自动化驱动的装置，其特征在于，所述通信模块用于实现车辆与其他车辆、基础设施和云服务器之间的数据交换和通信，通过与其他车辆和基础设施的通信，车辆可以共享实时的交通信息、道路状况和地图数据，接收来自云服务器的指令和更新，以及实时交通和导航数据，并将其传递给处理单元和控制系统。
8.根据权利要求1所述的一种无人驾驶车辆自动化驱动的装置，其特征在于，所述自动驾驶控制模块包括车辆行驶的驱动电机、转向系统、制动系统，用于控制车辆的加速、转向和制动。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311025881.8A CN116991104A (zh) | 2023-08-15 | 2023-08-15 | 一种无人驾驶车辆自动化驱动的装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311025881.8A CN116991104A (zh) | 2023-08-15 | 2023-08-15 | 一种无人驾驶车辆自动化驱动的装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116991104A true CN116991104A (zh) | 2023-11-03 |
Family
ID=88531942
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311025881.8A Pending CN116991104A (zh) | 2023-08-15 | 2023-08-15 | 一种无人驾驶车辆自动化驱动的装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116991104A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117765796A (zh) * | 2024-02-22 | 2024-03-26 | 深圳风向标教育资源股份有限公司 | 自动驾驶教学系统、方法及装置 |
-
2023
- 2023-08-15 CN CN202311025881.8A patent/CN116991104A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117765796A (zh) * | 2024-02-22 | 2024-03-26 | 深圳风向标教育资源股份有限公司 | 自动驾驶教学系统、方法及装置 |
| CN117765796B (zh) * | 2024-02-22 | 2024-05-10 | 深圳风向标教育资源股份有限公司 | 自动驾驶教学系统、方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113128326B (zh) | 具有语义地图和lstm的车辆轨迹预测模型 | |
| US9989964B2 (en) | System and method for controlling vehicle using neural network | |
| US11269329B2 (en) | Dynamic model with learning based localization correction system | |
| CN107169468A (zh) | 用于控制车辆的方法和装置 | |
| CN113242958A (zh) | 自动运载工具分层规划系统及方法 | |
| US11351996B2 (en) | Trajectory prediction of surrounding vehicles using predefined routes | |
| CN112286049A (zh) | 运动轨迹预测方法和装置 | |
| CN113071518A (zh) | 一种自动无人驾驶方法、小巴、电子设备以及存储介质 | |
| CN116991104A (zh) | 一种无人驾驶车辆自动化驱动的装置 | |
| US20230415736A1 (en) | Systems and methods for controlling longitudinal acceleration based on lateral objects | |
| US20230415739A1 (en) | Systems and methods for controlling longitudinal acceleration based on lateral objects | |
| Goebl et al. | Design and capabilities of the Munich cognitive automobile | |
| WO2023129890A1 (en) | Integrated trajectory forecasting, error estimation, and vehicle handling when detecting an observed scenario | |
| WO2022089627A1 (en) | Method and system for motion planning for an autonmous vehicle | |
| CN118046921A (zh) | 车辆控制方法、装置、车载设备、车辆及存储介质 | |
| US20240119830A1 (en) | System and method for predicting a future position of a road user | |
| CN117320945A (zh) | 用于确定自主车辆控制中的运动预测的运动模型的方法和系统 | |
| US11610412B2 (en) | Vehicle neural network training | |
| Mutz et al. | Following the leader using a tracking system based on pre-trained deep neural networks | |
| Santos | ATLASCAR: A sample of the quests and concerns for autonomous cars | |
| US20230415781A1 (en) | Systems and methods for controlling longitudinal acceleration based on lateral objects | |
| US11878684B2 (en) | System and method for trajectory prediction using a predicted endpoint conditioned network | |
| YU et al. | Vehicle Intelligent Driving Technology | |
| US20240116544A1 (en) | Prediction and planning for mobile robots | |
| JP7294476B2 (ja) | カメラ制御システム、カメラ制御方法、及び非一時的コンピュータ可読媒体 |
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 |