JP2021155024A5 - - Google Patents
Download PDFInfo
- Publication number
- JP2021155024A5 JP2021155024A5 JP2021012911A JP2021012911A JP2021155024A5 JP 2021155024 A5 JP2021155024 A5 JP 2021155024A5 JP 2021012911 A JP2021012911 A JP 2021012911A JP 2021012911 A JP2021012911 A JP 2021012911A JP 2021155024 A5 JP2021155024 A5 JP 2021155024A5
- Authority
- JP
- Japan
- Prior art keywords
- pedestrians
- processors
- scene
- trajectories
- executed
- 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 claims description 21
- 230000003993 interaction Effects 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 12
Description
ここにおける態様は、その精神またはその重要な属性から逸脱することなく他の形状で具現化できる。従って、その範囲を示すものとしては、前述の明細書ではなく、下記の請求項を参照すべきである。
本明細書に開示される発明は以下の態様を含む。
〔態様1〕
複数の歩行者の動きを予測するためのシステムであって、
1つ以上のプロセッサと、
前記1つ以上のプロセッサと通信するメモリであって、初期軌道モジュール、出口点予測モジュール、経路プラニングモジュール、および調整モジュールを有しているメモリと、を備えており、
前記初期軌道モジュールは、前記1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、前記複数の歩行者の軌道を得るようにさせる命令を含んでおり、
前記出口点予測モジュールは、前記1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、前記複数の歩行者の軌道に基づいてシーンから、前記複数の歩行者に対する将来の出口点を予測させる命令を含んでおり、
経路プラニングモジュールは、前記1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、前記将来の出口点と、マップの少なくとも1つのシーン要素とに基づいて、前記複数の歩行者の、前記複数の歩行者が前記将来の出口点に到達するために取ると予測される経路である軌道経路を決定させる命令を含んでおり、
前記調整モジュールは、前記1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、前記複数の歩行者の少なくとも2人の間の少なくとも1つの予測される相互作用に基づいて、前記軌道経路を調整させる命令を含んでいる、
システム。
〔態様2〕
少なくとも1つの予測される相互作用は衝突である、態様1に記載のシステム。
〔態様3〕
前記調整モジュールは、前記1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、前記複数の歩行者の前記少なくとも2人の間の衝突を回避するために、前記複数の歩行者の前記少なくとも2人の前記軌道経路を調整させる命令を更に備えている、態様2に記載のシステム。
〔態様4〕
前記初期軌道モジュールは、前記1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、混合密度ネットワークモデルを使用することにより、前記複数の歩行者の軌道を得るようにさせる命令を更に備えている、態様1に記載のシステム。
〔態様5〕
前記調整モジュールは、前記1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、グラフニューラルネットワークモデルを利用することにより、前記複数の歩行者の少なくとも2人の間の少なくとも1つの予測される相互作用に基づいて、軌道経路を調整させる命令を更に備えている、態様1に記載のシステム。
〔態様6〕
前記複数の歩行者に対する軌道は、前記グラフニューラルネットワークモデルのノード特徴として前記グラフニューラルネットワークモデルに埋め込まれる、態様5に記載のシステム。
〔態様7〕
前記シーンは固定シーンである、態様1に記載のシステム。
〔態様8〕
前記シーンは、エゴ車両の動きに基づいて移動する、態様1に記載のシステム。
〔態様9〕
複数の歩行者の動きを予測するための方法であって、
前記複数の歩行者の軌道を得るステップと、
前記複数の歩行者の前記軌道に基づいてシーンから、前記複数の歩行者に対する将来の出口点を予測するステップと、
前記将来の出口点と、マップの少なくとも1つのシーン要素とに基づいて、前記複数の歩行者の、前記複数の歩行者が前記将来の出口点に到達するために取ると予測される経路である軌道経路を決定するステップと、
前記複数の歩行者の少なくとも2人の間の少なくとも1つの予測される相互作用に基づいて、前記軌道経路を調整するステップと、
を有している、方法。
〔態様10〕
少なくとも1つの予測される相互作用は衝突である、態様9に記載の方法。
〔態様11〕
前記複数の歩行者の前記少なくとも2人の間の前記衝突を回避するために、前記複数の歩行者の前記少なくとも2人の前記軌道経路を調整するステップを更に有している、態様10に記載の方法。
〔態様12〕
前記複数の歩行者の軌道を得るステップは、混合密度ネットワークモデルにより実行される、態様9に記載の方法。
〔態様13〕
前記複数の歩行者の少なくとも2人の間の前記少なくとも1つの予測される相互作用に基づいて、前記軌道経路を調整するステップは、グラフニューラルネットワークモデルにより実行される、態様9に記載の方法。
〔態様14〕
前記複数の歩行者に対する軌道は、前記グラフニューラルネットワークモデルのノード特徴として前記グラフニューラルネットワークモデルに埋め込まれる、態様13に記載の方法。
〔態様15〕
前記シーンは固定シーンである、態様9に記載の方法。
〔態様16〕
前記シーンは、エゴ車両の動きに基づいて移動する、態様9に記載の方法。
〔態様17〕
複数の歩行者の動きを予測するための非一時的コンピュータ可読媒体であって、
1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、
前記複数の歩行者の軌道を得るようにさせ、
前記複数の歩行者の軌道に基づいてシーンから、前記複数の歩行者に対する将来の出口点を予測させ、
前記将来の出口点と、マップの少なくとも1つのシーン要素とに基づいて、前記複数の歩行者の、前記複数の歩行者が前記将来の出口点に到達するために取ると予想される経路である軌道経路を決定させ、
前記複数の歩行者の少なくとも2人の間の少なくとも1つの予測される相互作用に基づいて、前記軌道経路を調整させる、
命令を備えている、
非一時的コンピュータ可読媒体。
〔態様18〕
少なくとも1つの予測される相互作用は衝突である、態様17に記載の非一時的コンピュータ可読媒体。
〔態様19〕
前記非一時的コンピュータ可読媒体は、1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、前記複数の歩行者の前記少なくとも2人の間の衝突を回避するために、前記複数の歩行者の前記少なくとも2人の前記軌道経路を調整させる命令を更に備えている、態様18に記載の非一時的コンピュータ可読媒体。
〔態様20〕
前記シーンは、エゴ車両の動きに基づいて移動する、態様17記載の非一時的コンピュータ可読媒体。
本明細書に開示される発明は以下の態様を含む。
〔態様1〕
複数の歩行者の動きを予測するためのシステムであって、
1つ以上のプロセッサと、
前記1つ以上のプロセッサと通信するメモリであって、初期軌道モジュール、出口点予測モジュール、経路プラニングモジュール、および調整モジュールを有しているメモリと、を備えており、
前記初期軌道モジュールは、前記1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、前記複数の歩行者の軌道を得るようにさせる命令を含んでおり、
前記出口点予測モジュールは、前記1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、前記複数の歩行者の軌道に基づいてシーンから、前記複数の歩行者に対する将来の出口点を予測させる命令を含んでおり、
経路プラニングモジュールは、前記1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、前記将来の出口点と、マップの少なくとも1つのシーン要素とに基づいて、前記複数の歩行者の、前記複数の歩行者が前記将来の出口点に到達するために取ると予測される経路である軌道経路を決定させる命令を含んでおり、
前記調整モジュールは、前記1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、前記複数の歩行者の少なくとも2人の間の少なくとも1つの予測される相互作用に基づいて、前記軌道経路を調整させる命令を含んでいる、
システム。
〔態様2〕
少なくとも1つの予測される相互作用は衝突である、態様1に記載のシステム。
〔態様3〕
前記調整モジュールは、前記1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、前記複数の歩行者の前記少なくとも2人の間の衝突を回避するために、前記複数の歩行者の前記少なくとも2人の前記軌道経路を調整させる命令を更に備えている、態様2に記載のシステム。
〔態様4〕
前記初期軌道モジュールは、前記1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、混合密度ネットワークモデルを使用することにより、前記複数の歩行者の軌道を得るようにさせる命令を更に備えている、態様1に記載のシステム。
〔態様5〕
前記調整モジュールは、前記1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、グラフニューラルネットワークモデルを利用することにより、前記複数の歩行者の少なくとも2人の間の少なくとも1つの予測される相互作用に基づいて、軌道経路を調整させる命令を更に備えている、態様1に記載のシステム。
〔態様6〕
前記複数の歩行者に対する軌道は、前記グラフニューラルネットワークモデルのノード特徴として前記グラフニューラルネットワークモデルに埋め込まれる、態様5に記載のシステム。
〔態様7〕
前記シーンは固定シーンである、態様1に記載のシステム。
〔態様8〕
前記シーンは、エゴ車両の動きに基づいて移動する、態様1に記載のシステム。
〔態様9〕
複数の歩行者の動きを予測するための方法であって、
前記複数の歩行者の軌道を得るステップと、
前記複数の歩行者の前記軌道に基づいてシーンから、前記複数の歩行者に対する将来の出口点を予測するステップと、
前記将来の出口点と、マップの少なくとも1つのシーン要素とに基づいて、前記複数の歩行者の、前記複数の歩行者が前記将来の出口点に到達するために取ると予測される経路である軌道経路を決定するステップと、
前記複数の歩行者の少なくとも2人の間の少なくとも1つの予測される相互作用に基づいて、前記軌道経路を調整するステップと、
を有している、方法。
〔態様10〕
少なくとも1つの予測される相互作用は衝突である、態様9に記載の方法。
〔態様11〕
前記複数の歩行者の前記少なくとも2人の間の前記衝突を回避するために、前記複数の歩行者の前記少なくとも2人の前記軌道経路を調整するステップを更に有している、態様10に記載の方法。
〔態様12〕
前記複数の歩行者の軌道を得るステップは、混合密度ネットワークモデルにより実行される、態様9に記載の方法。
〔態様13〕
前記複数の歩行者の少なくとも2人の間の前記少なくとも1つの予測される相互作用に基づいて、前記軌道経路を調整するステップは、グラフニューラルネットワークモデルにより実行される、態様9に記載の方法。
〔態様14〕
前記複数の歩行者に対する軌道は、前記グラフニューラルネットワークモデルのノード特徴として前記グラフニューラルネットワークモデルに埋め込まれる、態様13に記載の方法。
〔態様15〕
前記シーンは固定シーンである、態様9に記載の方法。
〔態様16〕
前記シーンは、エゴ車両の動きに基づいて移動する、態様9に記載の方法。
〔態様17〕
複数の歩行者の動きを予測するための非一時的コンピュータ可読媒体であって、
1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、
前記複数の歩行者の軌道を得るようにさせ、
前記複数の歩行者の軌道に基づいてシーンから、前記複数の歩行者に対する将来の出口点を予測させ、
前記将来の出口点と、マップの少なくとも1つのシーン要素とに基づいて、前記複数の歩行者の、前記複数の歩行者が前記将来の出口点に到達するために取ると予想される経路である軌道経路を決定させ、
前記複数の歩行者の少なくとも2人の間の少なくとも1つの予測される相互作用に基づいて、前記軌道経路を調整させる、
命令を備えている、
非一時的コンピュータ可読媒体。
〔態様18〕
少なくとも1つの予測される相互作用は衝突である、態様17に記載の非一時的コンピュータ可読媒体。
〔態様19〕
前記非一時的コンピュータ可読媒体は、1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、前記複数の歩行者の前記少なくとも2人の間の衝突を回避するために、前記複数の歩行者の前記少なくとも2人の前記軌道経路を調整させる命令を更に備えている、態様18に記載の非一時的コンピュータ可読媒体。
〔態様20〕
前記シーンは、エゴ車両の動きに基づいて移動する、態様17記載の非一時的コンピュータ可読媒体。
Claims (20)
- 複数の歩行者の動きを予測するためのシステムであって、
1つ以上のプロセッサと、
前記1つ以上のプロセッサと通信するメモリであって、初期軌道モジュール、出口点予測モジュール、経路プラニングモジュール、および調整モジュールを有しているメモリと、を備えており、
前記初期軌道モジュールは、前記1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、前記複数の歩行者の軌道を得るようにさせる命令を含んでおり、
前記出口点予測モジュールは、前記1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、前記複数の歩行者の軌道に基づいてシーンから、前記複数の歩行者に対する将来の出口点を予測させる命令を含んでおり、
前記経路プラニングモジュールは、前記1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、前記将来の出口点と、マップの少なくとも1つのシーン要素とに基づいて、前記複数の歩行者の、前記複数の歩行者が前記将来の出口点に到達するために取ると予測される経路である軌道経路を決定させる命令を含んでおり、
前記調整モジュールは、前記1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、前記複数の歩行者の少なくとも2人の間の少なくとも1つの予測される相互作用に基づいて、前記軌道経路を調整させる命令を含んでいる、
システム。 - 少なくとも1つの予測される相互作用は衝突である、請求項1に記載のシステム。
- 前記調整モジュールは、前記1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、前記複数の歩行者の前記少なくとも2人の間の衝突を回避するために、前記複数の歩行者の前記少なくとも2人の前記軌道経路を調整させる命令を更に備えている、請求項2に記載のシステム。
- 前記初期軌道モジュールは、前記1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、混合密度ネットワークモデルを使用することにより、前記複数の歩行者の軌道を得るようにさせる命令を更に備えている、請求項1に記載のシステム。
- 前記調整モジュールは、前記1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、グラフニューラルネットワークモデルを利用することにより、前記複数の歩行者の少なくとも2人の間の少なくとも1つの予測される相互作用に基づいて、軌道経路を調整させる命令を更に備えている、請求項1に記載のシステム。
- 前記複数の歩行者に対する軌道は、前記グラフニューラルネットワークモデルのノード特徴として前記グラフニューラルネットワークモデルに埋め込まれる、請求項5に記載のシステム。
- 前記シーンは固定シーンである、請求項1に記載のシステム。
- 前記シーンは、エゴ車両の動きに基づいて移動する、請求項1に記載のシステム。
- 複数の歩行者の動きを予測するための方法であって、
前記複数の歩行者の軌道を得るステップと、
前記複数の歩行者の前記軌道に基づいてシーンから、前記複数の歩行者に対する将来の出口点を予測するステップと、
前記将来の出口点と、マップの少なくとも1つのシーン要素とに基づいて、前記複数の歩行者の、前記複数の歩行者が前記将来の出口点に到達するために取ると予測される経路である軌道経路を決定するステップと、
前記複数の歩行者の少なくとも2人の間の少なくとも1つの予測される相互作用に基づいて、前記軌道経路を調整するステップと、
を有している、方法。 - 少なくとも1つの予測される相互作用は衝突である、請求項9に記載の方法。
- 前記複数の歩行者の前記少なくとも2人の間の前記衝突を回避するために、前記複数の歩行者の前記少なくとも2人の前記軌道経路を調整するステップを更に有している、請求項10に記載の方法。
- 前記複数の歩行者の軌道を得るステップは、混合密度ネットワークモデルにより実行される、請求項9に記載の方法。
- 前記複数の歩行者の少なくとも2人の間の前記少なくとも1つの予測される相互作用に基づいて、前記軌道経路を調整するステップは、グラフニューラルネットワークモデルにより実行される、請求項9に記載の方法。
- 前記複数の歩行者に対する軌道は、前記グラフニューラルネットワークモデルのノード特徴として前記グラフニューラルネットワークモデルに埋め込まれる、請求項13に記載の方法。
- 前記シーンは固定シーンである、請求項9に記載の方法。
- 前記シーンは、エゴ車両の動きに基づいて移動する、請求項9に記載の方法。
- 複数の歩行者の動きを予測するための非一時的コンピュータ可読媒体であって、
1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、
前記複数の歩行者の軌道を得るようにさせ、
前記複数の歩行者の軌道に基づいてシーンから、前記複数の歩行者に対する将来の出口点を予測させ、
前記将来の出口点と、マップの少なくとも1つのシーン要素とに基づいて、前記複数の歩行者の、前記複数の歩行者が前記将来の出口点に到達するために取ると予想される経路である軌道経路を決定させ、
前記複数の歩行者の少なくとも2人の間の少なくとも1つの予測される相互作用に基づいて、前記軌道経路を調整させる、
命令を備えている、
非一時的コンピュータ可読媒体。 - 少なくとも1つの予測される相互作用は衝突である、請求項17に記載の非一時的コンピュータ可読媒体。
- 前記非一時的コンピュータ可読媒体は、1つ以上のプロセッサにより実行されると、前記1つ以上のプロセッサに、前記複数の歩行者の前記少なくとも2人の間の衝突を回避するために、前記複数の歩行者の前記少なくとも2人の前記軌道経路を調整させる命令を更に備えている、請求項18に記載の非一時的コンピュータ可読媒体。
- 前記シーンは、エゴ車両の動きに基づいて移動する、請求項17に記載の非一時的コンピュータ可読媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/787,523 | 2020-02-11 | ||
US16/787,523 US11447129B2 (en) | 2020-02-11 | 2020-02-11 | System and method for predicting the movement of pedestrians |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021155024A JP2021155024A (ja) | 2021-10-07 |
JP2021155024A5 true JP2021155024A5 (ja) | 2024-01-09 |
Family
ID=77178909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021012911A Pending JP2021155024A (ja) | 2020-02-11 | 2021-01-29 | 歩行者の動きを予測するためのシステムおよび方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11447129B2 (ja) |
JP (1) | JP2021155024A (ja) |
CN (1) | CN113254806A (ja) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9993535B2 (en) | 2014-12-18 | 2018-06-12 | Siwa Corporation | Method and composition for treating sarcopenia |
US10358502B2 (en) | 2014-12-18 | 2019-07-23 | Siwa Corporation | Product and method for treating sarcopenia |
US11518801B1 (en) | 2017-12-22 | 2022-12-06 | Siwa Corporation | Methods and compositions for treating diabetes and diabetic complications |
US11878684B2 (en) * | 2020-03-18 | 2024-01-23 | Toyota Research Institute, Inc. | System and method for trajectory prediction using a predicted endpoint conditioned network |
JP7264103B2 (ja) | 2020-04-21 | 2023-04-25 | トヨタ自動車株式会社 | 車両制御システム及び車両制御方法 |
US11661085B2 (en) * | 2020-06-04 | 2023-05-30 | Baidu Usa Llc | Locked pedestrian detection and prediction for autonomous vehicles |
KR20220039903A (ko) * | 2020-09-21 | 2022-03-30 | 현대자동차주식회사 | 자율주행 제어 장치 및 방법 |
JP7355049B2 (ja) | 2021-03-03 | 2023-10-03 | トヨタ自動車株式会社 | 車両制御方法、車両制御システム、及び情報処理装置 |
US11753043B2 (en) * | 2021-05-20 | 2023-09-12 | Waymo Llc | Predicting crossing behavior of agents in the vicinity of an autonomous vehicle |
JP7487709B2 (ja) | 2021-06-02 | 2024-05-21 | トヨタ自動車株式会社 | 車両駆動ユニットの制御装置及び制御方法 |
CN113734197A (zh) * | 2021-09-03 | 2021-12-03 | 合肥学院 | 一种基于数据融合的无人驾驶的智能控制方案 |
CN114792320A (zh) * | 2022-06-23 | 2022-07-26 | 中国科学院自动化研究所 | 轨迹预测方法、轨迹预测装置和电子设备 |
CN116654022B (zh) * | 2023-07-25 | 2023-10-20 | 清华大学 | 基于多重交互的行人轨迹预测方法、系统、设备和介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7095336B2 (en) * | 2003-09-23 | 2006-08-22 | Optimus Corporation | System and method for providing pedestrian alerts |
JP5563796B2 (ja) | 2009-09-25 | 2014-07-30 | トヨタ自動車株式会社 | 歩行者移動推定装置及び方法 |
US9381916B1 (en) * | 2012-02-06 | 2016-07-05 | Google Inc. | System and method for predicting behaviors of detected objects through environment representation |
US9786177B2 (en) * | 2015-04-10 | 2017-10-10 | Honda Motor Co., Ltd. | Pedestrian path predictions |
US9607402B1 (en) | 2016-05-09 | 2017-03-28 | Iteris, Inc. | Calibration of pedestrian speed with detection zone for traffic intersection control |
US20170344855A1 (en) * | 2016-05-24 | 2017-11-30 | Agt International Gmbh | Method of predicting traffic collisions and system thereof |
GB2562049A (en) | 2017-05-02 | 2018-11-07 | Kompetenzzentrum Das Virtuelle Fahrzeug | Improved pedestrian prediction by using enhanced map data in automated vehicles |
US10235882B1 (en) * | 2018-03-19 | 2019-03-19 | Derq Inc. | Early warning and collision avoidance |
-
2020
- 2020-02-11 US US16/787,523 patent/US11447129B2/en active Active
-
2021
- 2021-01-29 JP JP2021012911A patent/JP2021155024A/ja active Pending
- 2021-02-09 CN CN202110175303.7A patent/CN113254806A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021155024A5 (ja) | ||
Sasaki et al. | Vehicle control system coordinated between cloud and mobile edge computing | |
CN112805198B (zh) | 用于自主驾驶的个人驾驶风格学习 | |
US20230247443A1 (en) | Optimizing wireless networking using a virtual geographic information system overlay | |
KR102372549B1 (ko) | 복수의 트래픽 상황들을 결정하기 위한 방법, 장치, 및 컴퓨터 프로그램 | |
Kumar et al. | Collaborative learning automata-based routing for rescue operations in dense urban regions using vehicular sensor networks | |
JP7046740B2 (ja) | 予測制御装置 | |
US10826808B2 (en) | Vehicle application enabling and network routing systems implemented based on latency characterization and projection | |
JP7120014B2 (ja) | 遠隔制御装置、遅延調整装置、遠隔制御システム、遠隔制御方法、遅延調整方法、遠隔制御プログラムおよび遅延調整プログラム | |
US20230099853A1 (en) | Methods and systems for vehicle path planning | |
JP2017224237A (ja) | 周辺環境認識装置 | |
Zlatkovic et al. | Development and evaluation of algorithm for resolution of conflicting transit signal priority requests | |
Zhang et al. | Service-oriented cooperation models and mechanisms for heterogeneous driverless vehicles at continuous static critical sections | |
RU2016123642A (ru) | Быстрая оценка параметров движения транспорта | |
US11749113B2 (en) | Parking lot management device | |
CN112551288A (zh) | 机器人的乘梯控制方法、装置、机器人及介质 | |
KR102017385B1 (ko) | 적응적 교차로 교통 신호 제어 방법 | |
CN112088117B (zh) | 用于运行机动车的方法、控制系统和机动车 | |
US20190234752A1 (en) | Travel Routing Selection System and Methods Implemented Based on Characterization of Historical Latency Data | |
CN109872538A (zh) | 基于mfd的饱和交叉口群多层边界迭代学习控制方法和装置 | |
Xie et al. | Real-time traffic control for sustainable urban living | |
García-Costa et al. | A stochastic model for design and evaluation of chain collision avoidance applications | |
JP6213277B2 (ja) | 車両制御装置及びプログラム | |
Qi et al. | Real-time traffic camera-light control systems for intersections subject to accidents: A petri net approach | |
CN110958661A (zh) | 一种无人机网络路由选取方法、装置及无人机节点 |