JP2022073894A - 運転シーンの分類方法、装置、機器及び読み取り可能な記憶媒体 - Google Patents
運転シーンの分類方法、装置、機器及び読み取り可能な記憶媒体 Download PDFInfo
- Publication number
- JP2022073894A JP2022073894A JP2021064546A JP2021064546A JP2022073894A JP 2022073894 A JP2022073894 A JP 2022073894A JP 2021064546 A JP2021064546 A JP 2021064546A JP 2021064546 A JP2021064546 A JP 2021064546A JP 2022073894 A JP2022073894 A JP 2022073894A
- Authority
- JP
- Japan
- Prior art keywords
- driving
- data
- sampling point
- scene
- driving scene
- 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 42
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 156
- 238000013145 classification model Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000002093 peripheral effect Effects 0.000 claims description 23
- 238000002372 labelling Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000011161 development Methods 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000644 propagated effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
Abstract
Description
車両運転中の連続的な複数のサンプリング点の運転データを取得することと、
各サンプリング点の運転データの運転特徴を抽出し、複数のサンプリング点の運転特徴を得ることと、
設定時間に応じて、複数のサンプリング点の運転特徴のスライディングウィンドウ処理(Sliding Window Processing)を行い、それぞれ複数のタイムウィンドウを得ることと、
前記運転特徴の数、前記設定時間、及び前記タイムウィンドウの数を3次元データの次元とし、前記複数のサンプリング点の運転特徴をテンソルとして構築することと、
前記テンソルを運転シーン分類モデルに入力し、各サンプリング点の運転データが属する運転シーンを得ることを含む。
車両運転中の連続的なの複数のサンプリング点の運転データを取得するための取得モジュールと、
各サンプリング点の運転データの運転特徴を抽出し、複数のサンプリング点の運転特徴を得るための抽出モジュールと、
設定時間に応じて、複数のサンプリング点の運転特徴をスライディングウィンドウ処理し、それぞれ複数のタイムウィンドウを得るための処理モジュールと、
前記運転特徴の数、前記設定時間、及び前記タイムウィンドウの数を3次元データの次元とし、前記複数のサンプリング点の運転特徴をテンソルとして構築するための構築モジュールと、
前記テンソルを運転シーン分類モデルに入力し、各サンプリング点の運転データが属する運転シーンを得るための入力モジュールとを含む。
1つ又は複数のプロセッサと、
1つ又は複数のプログラムを記憶するためのメモリとを含み、
前記1つ又は複数のプログラムが前記1つ又は複数のプロセッサによって実行される場合に、前記1つ又は複数のプロセッサにいずれかの実施例に記載の運転シーンの分類方法を実現させる。
抽出モジュール320は、各サンプリング点の運転データの運転特徴を抽出し、複数のサンプリング点の運転特徴を得るために用いられる。
処理モジュール330は、設定時間に応じて、複数のサンプリング点の運転特徴をスライディングウィンドウ処理し、それぞれ複数のタイムウィンドウを得るために用いられる。
構築モジュール340は、運転特徴の数、設定時間、及びタイムウィンドウの数を3次元データの次元とし、複数のサンプリング点の運転特徴をテンソルとして構築するために用いられる。
入力モジュール350は、テンソルを運転シーン分類モデルに入力し、各サンプリング点の運転データが属する運転シーンを得るために用いられる。
Claims (10)
- 車両運転中の連続的な複数のサンプリング点の運転データを取得することと、
各サンプリング点の運転データの運転特徴を抽出し、複数のサンプリング点の運転特徴を得ることと、
設定時間に応じて、複数のサンプリング点の運転特徴をスライディングウィンドウ処理し、それぞれ複数のタイムウィンドウを得ることと、
前記運転特徴の数、前記設定時間、及び前記タイムウィンドウの数を3次元データの次元とし、前記複数のサンプリング点の運転特徴をテンソルとして構築することと、
前記テンソルを運転シーン分類モデルに入力し、各サンプリング点の運転データが属する運転シーンを得ることとを含む、ことを特徴とする運転シーンの分類方法。 - 前記各サンプリング点の運転データは、自車運転データと、周辺車両運転データと、区画線データと、交通環境データとを含み、
前記の各サンプリング点の運転データの運転特徴を抽出し、複数のサンプリング点の運転特徴を得ることは、
各サンプリング点における自車位置と周辺車両位置によって、各サンプリング点における前記周辺車両と自車との横方向の距離及び縦方向の距離を算出することと、
各サンプリング点における周辺車両の運転速度から横方向の速度及び縦方向の速度を分離することと、
各サンプリング点における前記周辺車両と自車との横方向の距離及び縦方向の距離、前記周辺車両の横方向の速度及び縦方向の速度、前記周辺車両の運転方向、前記区画線データ、及び前記交通環境データを横方向に配列し、各サンプリング点の運転特徴とすることとを含む、
ことを特徴とする請求項1に記載の運転シーンの分類方法。 - 前記運転シーン分類モデルは、シングルタイムウィンドウ分類ネットワークと融合ネットワークを含み、
前記シングルタイムウィンドウ分類ネットワークは、前記テンソルにおけるシングルタイムウィンドウに運転シーン分類を行うために用いられ、各タイムウィンドウが属する運転シーンを得、
前記融合ネットワークは、各サンプリング点の運転特徴が属する複数の目標タイムウィンドウを統計し、かつ各タイムウィンドウが属する運転特徴を結合し、各サンプリング点の運転特徴が属する複数の運転シーンを得るために用いられ、各サンプリング点の運転特徴が属する複数の運転シーンを融合し、各サンプリング点の運転データが属する運転シーンを得る、
ことを特徴とする請求項1に記載の運転シーンの分類方法。 - 前記シングルタイムウィンドウ分類ネットワークは長・短期記憶ネットワークLSTMである、
ことを特徴とする請求項3に記載の運転シーンの分類方法。 - 前記の前記テンソルを運転シーン分類モデルに入力し、各サンプリング点の運転データが属する運転シーンを得る前に、
車両運転中の連続的な複数のサンプリング点の運転データサンプルと、各サンプリング点の運転データサンプルが属する運転シーンラベル付けを取得することと、
各サンプリング点の運転データサンプルの運転特徴を抽出し、複数のサンプリング点の運転特徴サンプルを得ることと、
設定時間に応じて、前記複数のサンプリング点の運転特徴サンプルをスライディングウィンドウ処理し、それぞれ複数のタイムウィンドウサンプルを得ることと、
前記運転特徴の数、前記設定時間、及び前記タイムウィンドウの数を3次元データの次元とし、前記複数のサンプリング点の運転特徴サンプルをテンソルサンプルとして構築することと、
前記テンソルサンプルと各サンプリング点の運転データサンプルが属する運転シーンラベル付けによって、前記運転シーン分類モデルに予備トレーニングを行うことと、
予備トレーニングが行われた運転シーン分類モデルから出力された、各サンプリング点の運転データが属する運転シーンを時間ソートし、運転シーンの時系列を得ることと、
前記運転シーンの時系列から少なくとも1つの補正ウィンドウを切り出し、各補正ウィンドウは連続的な複数の運転シーンを含み、かつ首尾の運転シーンが一致することと、
予備トレーニングが行われた運転シーン分類モデルを再トレーニングすることにより、各補正ウィンドウ内の連続的な複数の運転シーンがいずれも一致することとをさらに含む、
ことを特徴とする請求項1~4のいずれか一項に記載の運転シーンの分類方法。 - 前記の予備トレーニングが行われた運転シーン分類モデルを再トレーニングすることにより、各補正ウィンドウ内の連続的な複数の運転シーンがいずれも一致した後、
前記運転シーン分類モデルの精度が設定閾値に達するまで、前記設定時間を調整し、かつタイムウィンドウサンプルの取得操作に戻ることをさらに含む、
ことを特徴とする請求項5に記載の運転シーンの分類方法。 - 前記の前記テンソルを運転シーン分類モデルに入力し、各サンプリング点の運転データが属する運転シーンを得た後、
各サンプリング点の運転データが属する運転シーンによって、同じ運転シーンに属する運転データを統計することと、
同じ運転シーンに属する運転データによって、シミュレーションシーンのテストケースを生成することと、
前記シミュレーションシーンのテストケースを用いて自動運転機能を開発し検証することとをさらに含む、
ことを特徴とする請求項1~4のいずれか一項に記載の運転シーンの分類方法。 - 車両運転中の連続的な複数のサンプリング点の運転データを取得するための取得モジュールと、
各サンプリング点の運転データの運転特徴を抽出し、複数のサンプリング点の運転特徴を得るための抽出モジュールと、
設定時間に応じて、複数のサンプリング点の運転特徴をスライディングウィンドウ処理し、それぞれ複数のタイムウィンドウを得るための処理モジュールと、
前記運転特徴の数、前記設定時間、及び前記タイムウィンドウの数を3次元データの次元とし、前記複数のサンプリング点の運転特徴をテンソルとして構築するための構築モジュールと、
前記テンソルを運転シーン分類モデルに入力し、各サンプリング点の運転データが属する運転シーンを得るための入力モジュールとを含む、
ことを特徴とする運転シーンの分類装置。 - 1つ又は複数のプロセッサと、
1つ又は複数のプログラムを記憶するためのメモリとを含み、
前記1つ又は複数のプログラムが前記1つ又は複数のプロセッサにより実行される場合に、前記1つ又は複数のプロセッサに請求項1~7のいずれか一項に記載の運転シーンの分類方法を実現させる、
ことを特徴とする電子機器。 - コンピュータプログラムが記憶されたコンピュータ読み取り可能な記憶媒体であって、
当該プログラムはプロセッサに実行される時に、請求項1~7のいずれか一項に記載の運転シーンの分類方法を実現する、
コンピュータ読み取り可能な記憶媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011171517.9 | 2020-10-29 | ||
CN202011171517.9A CN112396093B (zh) | 2020-10-29 | 2020-10-29 | 驾驶场景分类方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022073894A true JP2022073894A (ja) | 2022-05-17 |
JP7236488B2 JP7236488B2 (ja) | 2023-03-09 |
Family
ID=74597755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021064546A Active JP7236488B2 (ja) | 2020-10-29 | 2021-04-06 | 運転シーンの分類方法、装置、機器及び読み取り可能な記憶媒体 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7236488B2 (ja) |
CN (1) | CN112396093B (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114916109A (zh) * | 2022-05-20 | 2022-08-16 | 苏州汉瑞森光电科技股份有限公司 | 一种均匀发光车用后位置灯的角度识别方法及系统 |
CN115148028A (zh) * | 2022-06-30 | 2022-10-04 | 北京小马智行科技有限公司 | 依据历史数据构建车辆路测场景的方法、装置及一种车辆 |
CN116070152A (zh) * | 2023-03-30 | 2023-05-05 | 北京徐工汉云技术有限公司 | 基于多维运行特征的挖掘机工作量识别方法和装置 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469142B (zh) * | 2021-03-12 | 2022-01-14 | 山西长河科技股份有限公司 | 一种监控视频时空信息融合的分类方法、装置及终端 |
CN113538734A (zh) * | 2021-07-30 | 2021-10-22 | 阿波罗智联(北京)科技有限公司 | 用于处理驾驶数据的方法、装置、电子设备及存储介质 |
CN113715834B (zh) * | 2021-08-24 | 2023-05-16 | 广州五舟软件技术有限公司 | 车辆行驶行为识别方法、装置、电子设备和存储介质 |
CN113868875B (zh) * | 2021-09-30 | 2022-06-17 | 天津大学 | 测试场景自动生成方法、装置、设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957341A (zh) * | 2016-05-30 | 2016-09-21 | 重庆大学 | 一种基于无人机机载平台的广域交通拥堵检测方法 |
US20170206434A1 (en) * | 2016-01-14 | 2017-07-20 | Ford Global Technologies, Llc | Low- and high-fidelity classifiers applied to road-scene images |
US20190080176A1 (en) * | 2016-04-08 | 2019-03-14 | Microsoft Technology Licensing, Llc | On-line action detection using recurrent neural network |
US20190311221A1 (en) * | 2016-01-13 | 2019-10-10 | Ford Global Technologies, Llc. | Low- And High-Fidelity Classifiers Applied To Road-Scene Images |
CN110363789A (zh) * | 2019-06-25 | 2019-10-22 | 电子科技大学 | 一种面向实际工程应用的长期视觉跟踪方法 |
CN111190172A (zh) * | 2020-01-08 | 2020-05-22 | 中国船舶重工集团公司第七二四研究所 | 利用目标运动状态模型的同平台多雷达航迹关联判决方法 |
WO2020147482A1 (zh) * | 2019-01-15 | 2020-07-23 | 北京百度网讯科技有限公司 | 数据采集方法、装置、设备及计算机可读存储介质 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10358143B2 (en) * | 2015-09-01 | 2019-07-23 | Ford Global Technologies, Llc | Aberrant driver classification and reporting |
EP3498559B1 (en) * | 2017-12-14 | 2020-09-16 | Marelli Europe S.p.A. | Method for recognizing the driving style of a driver of a land vehicle, and corresponding apparatus |
EP3759700B1 (en) * | 2018-02-27 | 2023-03-15 | Nauto, Inc. | Method for determining driving policy |
CN110579216B (zh) * | 2019-09-12 | 2022-02-18 | 阿波罗智能技术(北京)有限公司 | 测试场景库构建方法、装置、电子设备和介质 |
CN110547807A (zh) * | 2019-09-17 | 2019-12-10 | 深圳市赛梅斯凯科技有限公司 | 驾驶行为分析方法、装置、设备及计算机可读存储介质 |
CN110733506B (zh) * | 2019-10-17 | 2021-03-02 | 上海舵敏智能科技有限公司 | 无人驾驶车辆的车道变更方法及设备 |
CN111104969B (zh) * | 2019-12-04 | 2023-09-19 | 东北大学 | 一种无人驾驶车辆与周边车辆的碰撞可能性预判方法 |
CN111242015B (zh) * | 2020-01-10 | 2023-05-02 | 同济大学 | 一种基于运动轮廓语义图预测行车危险场景的方法 |
CN111627132B (zh) * | 2020-05-26 | 2021-05-25 | 吉林大学 | 一种基于驾驶倾性的汽车行驶特征评价及预警方法 |
CN111652153B (zh) * | 2020-06-04 | 2023-12-22 | 北京百度网讯科技有限公司 | 场景自动识别方法、装置、无人车及存储介质 |
CN111694973B (zh) * | 2020-06-09 | 2023-10-13 | 阿波罗智能技术(北京)有限公司 | 自动驾驶场景的模型训练方法、装置、电子设备 |
CN111803065B (zh) * | 2020-06-23 | 2023-12-26 | 北方工业大学 | 一种基于脑电数据的危险交通场景辨识方法及系统 |
-
2020
- 2020-10-29 CN CN202011171517.9A patent/CN112396093B/zh active Active
-
2021
- 2021-04-06 JP JP2021064546A patent/JP7236488B2/ja active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190311221A1 (en) * | 2016-01-13 | 2019-10-10 | Ford Global Technologies, Llc. | Low- And High-Fidelity Classifiers Applied To Road-Scene Images |
US20170206434A1 (en) * | 2016-01-14 | 2017-07-20 | Ford Global Technologies, Llc | Low- and high-fidelity classifiers applied to road-scene images |
US20190080176A1 (en) * | 2016-04-08 | 2019-03-14 | Microsoft Technology Licensing, Llc | On-line action detection using recurrent neural network |
CN105957341A (zh) * | 2016-05-30 | 2016-09-21 | 重庆大学 | 一种基于无人机机载平台的广域交通拥堵检测方法 |
WO2020147482A1 (zh) * | 2019-01-15 | 2020-07-23 | 北京百度网讯科技有限公司 | 数据采集方法、装置、设备及计算机可读存储介质 |
CN110363789A (zh) * | 2019-06-25 | 2019-10-22 | 电子科技大学 | 一种面向实际工程应用的长期视觉跟踪方法 |
CN111190172A (zh) * | 2020-01-08 | 2020-05-22 | 中国船舶重工集团公司第七二四研究所 | 利用目标运动状态模型的同平台多雷达航迹关联判决方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114916109A (zh) * | 2022-05-20 | 2022-08-16 | 苏州汉瑞森光电科技股份有限公司 | 一种均匀发光车用后位置灯的角度识别方法及系统 |
CN114916109B (zh) * | 2022-05-20 | 2023-09-26 | 苏州汉瑞森光电科技股份有限公司 | 一种均匀发光车用后位置灯的角度识别方法及系统 |
CN115148028A (zh) * | 2022-06-30 | 2022-10-04 | 北京小马智行科技有限公司 | 依据历史数据构建车辆路测场景的方法、装置及一种车辆 |
CN115148028B (zh) * | 2022-06-30 | 2023-12-15 | 北京小马智行科技有限公司 | 依据历史数据构建车辆路测场景的方法、装置及一种车辆 |
CN116070152A (zh) * | 2023-03-30 | 2023-05-05 | 北京徐工汉云技术有限公司 | 基于多维运行特征的挖掘机工作量识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112396093B (zh) | 2022-10-14 |
CN112396093A (zh) | 2021-02-23 |
JP7236488B2 (ja) | 2023-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022073894A (ja) | 運転シーンの分類方法、装置、機器及び読み取り可能な記憶媒体 | |
US10860896B2 (en) | FPGA device for image classification | |
CN109508580B (zh) | 交通信号灯识别方法和装置 | |
CN115018016B (zh) | 一种人工驾驶车辆换道意图识别方法和系统 | |
JP6850324B2 (ja) | マルチモデルに基づく障害物分布シミュレーション方法、装置、端末及びプログラム | |
JP6850325B2 (ja) | 確率プロットに基づく障害物分布シミュレーション方法、装置、端末、記憶媒体、及びプログラム | |
JP2020132153A (ja) | 情報処理方法、装置、記憶媒体、及びプログラム | |
CN113554643B (zh) | 一种目标检测方法、装置、电子设备及存储介质 | |
CN114323054A (zh) | 自动驾驶车辆行驶轨迹的确定方法、装置及电子设备 | |
CN113642620B (zh) | 一种障碍物检测模型训练以及障碍物检测方法及装置 | |
CN110796230A (zh) | 卷积神经网络的训练及使用方法、设备及存储介质 | |
CN114997307A (zh) | 一种轨迹预测方法、装置、设备及存储介质 | |
CN114898322A (zh) | 行车环境识别方法、装置、车辆及存储介质 | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
CN111695627A (zh) | 路况检测方法、装置、电子设备及可读存储介质 | |
CN110909656A (zh) | 一种雷达与摄像机融合的行人检测方法和系统 | |
CN117058647B (zh) | 车道线处理方法、装置和设备及计算机存储介质 | |
CN112509321A (zh) | 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质 | |
CN112164223B (zh) | 基于云平台的智能交通信息处理方法及装置 | |
CN113435232A (zh) | 一种物体的检测方法、装置、设备及存储介质 | |
CN112912894A (zh) | 道路边界识别方法和装置 | |
CN111339834A (zh) | 车辆行驶方向的识别方法、计算机设备及存储介质 | |
CN113945222B (zh) | 道路信息的识别方法、装置、电子设备、车辆及介质 | |
CN116363619A (zh) | 一种注意力机制的车道线检测方法、系统、设备及介质 | |
CN116009581A (zh) | 输电线路的无人机巡检方法、无人机控制终端及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210406 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220706 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220929 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230208 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230227 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7236488 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |