RU2017125562A - Способ для виртуального испытания обнаружения места стоянки и компьютерная система - Google Patents

Способ для виртуального испытания обнаружения места стоянки и компьютерная система Download PDF

Info

Publication number
RU2017125562A
RU2017125562A RU2017125562A RU2017125562A RU2017125562A RU 2017125562 A RU2017125562 A RU 2017125562A RU 2017125562 A RU2017125562 A RU 2017125562A RU 2017125562 A RU2017125562 A RU 2017125562A RU 2017125562 A RU2017125562 A RU 2017125562A
Authority
RU
Russia
Prior art keywords
virtual
parking
environment
execute instructions
unoccupied
Prior art date
Application number
RU2017125562A
Other languages
English (en)
Inventor
Эшли Элизабет МИКС
Джинеш Дж. ДЖАИН
МУРАЛИ Видия НАРИЯМБУТ
Харпритсингх БАНВЭЙТ
Снеха КАДЕТОТАД
Питер Гюмиенг ДЖО
Original Assignee
ФОРД ГЛОУБАЛ ТЕКНОЛОДЖИЗ, ЭлЭлСи
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ФОРД ГЛОУБАЛ ТЕКНОЛОДЖИЗ, ЭлЭлСи filed Critical ФОРД ГЛОУБАЛ ТЕКНОЛОДЖИЗ, ЭлЭлСи
Publication of RU2017125562A publication Critical patent/RU2017125562A/ru

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D15/00—Steering not otherwise provided for
    • B62D15/02—Steering position indicators ; Steering position determination; Steering aids
    • B62D15/027—Parking aids, e.g. instruction means
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
    • G08G1/142—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces external to the vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
    • G08G1/146—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas where the parking area is a limited parking space, e.g. parking garage, restricted space
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B9/00—Simulators for teaching or training purposes
    • G09B9/54—Simulation of radar
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9314—Parking operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G06V10/471—Contour-based spatial representations, e.g. vector-coding using approximation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Educational Technology (AREA)
  • Computer Graphics (AREA)
  • Combustion & Propulsion (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Claims (60)

1. Способ для виртуального испытания обнаружения места стоянки, содержащий этапы, на которых:
создают виртуальную среду, включающую в себя одно или более виртуальных мест стоянки и виртуальное транспортное средство с виртуальной системой радиолокаторов;
генерируют виртуальной системой радиолокаторов виртуальные данные с радиолокаторов, указывающие виртуальные отражения с объектов от виртуальных объектов в виртуальной среде;
классифицируют виртуальное место стоянки в качестве занятого или незанятого на основании виртуальных данных с датчиков; и
определяют точность классификации.
2. Способ по п. 1, в котором классификация виртуального места стоянки в качестве занятого или незанятого на основании виртуальных данных с радиолокаторов состоит в том, что классифицируют алгоритмом классификации мест стоянки место стоянки в качестве занятого или незанятого.
3. Способ по п. 1, в котором создание виртуальной среды состоит в том, что создают виртуальную автостоянку из данных имитационного моделирования.
4. Способ по п. 1, дополнительно содержащий этап, на котором осуществляют доступ к информации подтверждения экспериментальными данными, указывающей расположения одного или более виртуальных транспортных средств в пределах виртуальной среды; и
при этом, определение точности классификаций состоит в том, что сравнивают классификации с информацией подтверждения экспериментальными данными.
5. Способ по п. 1, дополнительно содержащий этап, на котором формируют обучающую обратную связь из определенной точности классификаций, обучающая обратная связь предназначена для обучения обучающегося алгоритма классификации мест стоянки.
6. Способ по п. 5, в котором обучающийся алгоритм классификации мест стоянки является нейронной сетью.
7. Компьютерная система, которая содержит:
один или более процессоров;
системную память, присоединенную к одному или более процессоров, системная память хранит команды, которые являются исполняемыми одним или более процессоров; и
один или более процессоров выполнены с возможностью исполнять команды, хранимые в системной памяти, для испытания обнаружения места стоянки в виртуальной среде, в том числе, следующего:
создания виртуальной среды стоянки из данных имитационного моделирования, причем виртуальная среда стоянки включает в себя:
множество виртуальных элементов разметки мест стоянки, причем множество виртуальных элементов разметки мест стоянки размечают множество виртуальных мест стоянки,
одно или более виртуальных транспортных средств, причем по меньшей мере одно из одного или более виртуальных транспортных средств поставлено на стоянку на одном из множества виртуальных мест стоянки, и
испытываемое виртуальное транспортное средство, причем испытываемое виртуальное транспортное средство включает в себя виртуальную систему радиолокаторов, при этом виртуальная система радиолокаторов предназначена для детектирования виртуальных радиолокационных отражений от виртуальных объектов в пределах виртуальной среды стоянки с ракурса испытываемого виртуального транспортного средства;
перемещения испытываемого виртуального транспортного средства в пределах виртуальной среды стоянки для имитационного моделирования вождения реального транспортного средства в реальной среде стоянки, при этом перемещение испытываемого транспортного средства изменяет расположение испытываемого виртуального транспортного средства относительно множества виртуальных мест стоянки и одного или более других виртуальных транспортных средств;
генерации, в виртуальной системе радиолокаторов, виртуальных данных с радиолокаторов для виртуальной среды стоянки во время перемещения испытываемого виртуального транспортного средства, виртуальные данные с радиолокаторов указывают виртуальные отражения с объектов от объектов в пределах виртуальной среды стоянки;
классификации одного или более из множества виртуальных мест стоянки в качестве занятых или незанятых посредством восприятия расположений любого из одного или более транспортных средств относительно элементов разметки мест стоянки на основании виртуальных данных с радиолокаторов; и
определения точности классификации одной или более классификаций мест стоянки в качестве занятых или незанятых.
8. Компьютерная система по п. 7, в которой один или более процессоров, выполненных с возможностью исполнять команды для классификации одного или более из множества виртуальных мест стоянки в качестве занятых или незанятых, содержат один или более процессоров, выполненных с возможностью исполнять команды, чтобы заставлять алгоритм машинного обучения классифицировать одно или более из множества виртуальных мест стоянки в качестве занятых или незанятых; и
при этом, один или более процессоров, выполненных с возможностью исполнять команды для определения точности классификации одной или более классификаций мест стоянки в качестве занятых или незанятых, содержат один или более процессоров, выполненных с возможностью исполнять команды для определения ошибки классификации одной или более классификаций мест стоянки в качестве занятых или незанятых.
9. Компьютерная систем по п. 8, дополнительно содержащая один или более процессоров, выполненных с возможностью исполнять команды, чтобы:
формировать обучающую обратную связь на основании определенной ошибки; и
использовать обучающую обратную связь для обучения алгоритма машинного обучения точнее классифицировать места стоянки в качестве занятых или незанятых во время последующих классификаций мест стоянки.
10. Компьютерная система по п. 9, в которой один или более процессоров, выполненных с возможностью исполнять команды для формирования обучающей обратной связи на основании определенной ошибки в одной или более классификаций мест стоянки, содержат один или более процессоров, выполненных с возможностью исполнять команды для аннотирования виртуальных данных с радиолокаторов фактическими расположениями транспортного средства.
11. Компьютерная система по п. 9, в которой один или более процессоров, выполненных с возможностью исполнять команды, чтобы заставлять алгоритм машинного обучения классифицировать одно или более из множества виртуальных мест стоянки в качестве занятых или незанятых, содержат один или более процессоров, выполненных с возможностью исполнять команды, чтобы заставлять нейронную сеть классифицировать одно или более из множества виртуальных мест стоянки в качестве занятых или незанятых.
12. Компьютерная система по п. 7, дополнительно содержащая один или более процессоров, выполненных с возможностью исполнять команды, чтобы:
дополнительно перемещать испытываемое виртуальное транспортное средство в пределах виртуальной среды стоянки для дополнительного изменения расположения испытываемого виртуального транспортного средства относительно множества виртуальных мест стоянки и одного или более других виртуальных транспортных средств;
генерировать, в виртуальной системе радиолокаторов, дополнительные виртуальные данные с радиолокаторов для виртуальной среды стоянки во время дальнейшего перемещения испытываемого виртуального транспортного средства, дополнительные виртуальные данные с радиолокаторов указывают виртуальные отражения с объектов от объектов в пределах виртуальной среды стоянки; и
вновь классифицировать один или более из множества виртуальных мест стоянки в качестве занятых или незанятых посредством восприятия расположений любого из одного или более транспортных средств относительно элементов разметки мест стоянки на основании дополнительных виртуальных данных с радиолокаторов.
13. Компьютерная система по п. 7, в которой один или более процессоров, выполненных с возможностью исполнять команды для создания виртуальной среды стоянки, содержат один или более процессоров, выполненных с возможностью исполнять команды для создания трехмерной виртуальной среды стоянки.
14. Компьютерная система по п. 7, в которой один или более процессоров, выполненных с возможностью исполнять команды для классификации одного или более из множества виртуальных мест стоянки в качестве занятых или незанятых, содержат один или более процессоров, выполненных с возможностью исполнять команды для расчета сплайновых оценок для границ места стоянки.
15. Компьютерная система, которая содержит:
один или более процессоров;
системную память, присоединенную к одному или более процессоров, причем системная память хранит команды, которые являются исполняемыми одним или более процессорами;
алгоритм машинного обучения; и
один или более процессоров, выполненные с возможностью исполнять команды, хранимые в системной памяти, для обучения обнаружению места стоянки в виртуальной среде, в том числе, следующего:
создания виртуальной среды стоянки из данных имитационного моделирования, виртуальная среда стоянки включает в себя:
множество виртуальных элементов разметки мест стоянки, множество виртуальных элементов разметки мест стоянки размечают множество виртуальных мест стоянки,
одно или более виртуальных транспортных средств, по меньшей мере одно из одного или более виртуальных транспортных средств поставлено на стоянку на одном из множества виртуальных мест стоянки, и
испытываемое виртуальное транспортное средство, испытываемое виртуальное транспортное средство включает в себя виртуальную систему радиолокаторов, виртуальная система радиолокаторов предназначена для детектирования виртуальных радиолокационных отражений от виртуальных объектов в пределах виртуальной среды стоянки с ракурса испытываемого виртуального транспортного средства;
перемещения испытываемого виртуального транспортного средства в пределах виртуальной среды стоянки для имитационного моделирования вождения реального транспортного средства в реальной среде стоянки, перемещение испытываемого транспортного средства изменяет расположение испытываемого виртуального транспортного средства относительно множества виртуальных мест стоянки и одного или более других виртуальных транспортных средств;
генерации, в виртуальной системе радиолокаторов, виртуальных данных с радиолокаторов для виртуальной среды стоянки во время перемещения испытываемого виртуального транспортного средства, виртуальные данные с радиолокаторов указывают виртуальные отражения с объектов от объектов в пределах виртуальной среды стоянки;
классификации, в алгоритме машинного обучения, одного или более из множества виртуальных мест стоянки в качестве занятых или незанятых посредством восприятия расположений любого из одного или более транспортных средств относительно элементов разметки мест стоянки на основании виртуальных данных с радиолокаторов;
формирования обучающей обратной связи на основании классификации множества виртуальных мест стоянки в качестве занятых или незанятых и фактических расположений транспортного средства из одного или более виртуальных транспортных средств в пределах виртуальной среды стоянки; и
использования обучающей обратной связи для обучения алгоритма машинного обучения точнее классифицировать места стоянки в качестве занятых или незанятых во время последующих классификаций мест стоянки.
16. Компьютерная система по п. 15, в которой один или более процессоров, выполненных с возможностью исполнять команды для формирования обучающей обратной связи из классификации множества виртуальных мест стоянки в качестве занятых или незанятых, содержат:
один или более процессоров, выполненных с возможностью исполнять команды для определения ошибки классификации одной или более классификаций мест стоянки в качестве занятых или незанятых; и
один или более процессоров, выполненных с возможностью исполнять команды для аннотирования виртуальных данных с радиолокаторов фактическими расположениями транспортного средства.
17. Компьютерная система по п. 15, в которой один или более процессоров, выполненных с возможностью исполнять команды для использования обучающей обратной связи для обучения алгоритма машинного обучения, содержат один или более процессоров, выполненных с возможностью исполнять команды для использования обучающей обратной связи для обучения нейронной сети.
18. Компьютерная система по п. 15, дополнительно содержащая один или более процессоров, выполненных с возможностью исполнять команды для последующего использования обучающей обратной связи для обучения алгоритма машинного обучения:
дополнительно перемещать испытываемое виртуальное транспортное средство в пределах виртуальной среды стоянки для дополнительного изменения расположения испытываемого виртуального транспортного средства относительно множества виртуальных мест стоянки и одного или более других виртуальных транспортных средств;
генерировать, в виртуальной системе радиолокаторов, дополнительные виртуальные данные с радиолокаторов для виртуальной среды стоянки во время дальнейшего перемещения испытываемого виртуального транспортного средства, дополнительные виртуальные данные с радиолокаторов указывают виртуальные отражения с объектов от объектов в пределах виртуальной среды стоянки; и
вновь классифицировать, в алгоритме машинного обучения, одно или более из множества виртуальных мест стоянки в качестве занятых или незанятых посредством восприятия расположений любого из одного или более транспортных средств относительно элементов разметки мест стоянки на основании дополнительных виртуальных данных с радиолокаторов.
19. Компьютерная система по п. 15, в которой один или более процессоров, выполненных с возможностью исполнять команды для создания виртуальной среды стоянки, содержат один или более процессоров, выполненных с возможностью исполнять команды для создания трехмерной виртуальной среды стоянки.
20. Компьютерная система по п. 15, в которой один или более процессоров, выполненных с возможностью исполнять команды для классификации одного или более из множества виртуальных мест стоянки в качестве занятых или незанятых, содержат один или более процессоров, выполненных с возможностью исполнять команды для расчета сплайновых оценок для границ места стоянки.
RU2017125562A 2016-07-19 2017-07-18 Способ для виртуального испытания обнаружения места стоянки и компьютерная система RU2017125562A (ru)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/214,269 US20180025640A1 (en) 2016-07-19 2016-07-19 Using Virtual Data To Test And Train Parking Space Detection Systems
US15/214,269 2016-07-19

Publications (1)

Publication Number Publication Date
RU2017125562A true RU2017125562A (ru) 2019-01-23

Family

ID=59713483

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2017125562A RU2017125562A (ru) 2016-07-19 2017-07-18 Способ для виртуального испытания обнаружения места стоянки и компьютерная система

Country Status (6)

Country Link
US (1) US20180025640A1 (ru)
CN (1) CN107633303A (ru)
DE (1) DE102017116192A1 (ru)
GB (1) GB2553654A (ru)
MX (1) MX2017009395A (ru)
RU (1) RU2017125562A (ru)

Families Citing this family (51)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9836895B1 (en) * 2015-06-19 2017-12-05 Waymo Llc Simulating virtual objects
TWI579578B (zh) * 2016-05-30 2017-04-21 均利科技股份有限公司 停車位狀態感測系統與方法
WO2018075036A1 (en) * 2016-10-19 2018-04-26 Ford Global Technologies, Llp A system and methods for identifying unoccupied parking positions
US11231584B2 (en) 2016-10-21 2022-01-25 Magic Leap, Inc. System and method for presenting image content on multiple depth planes by providing multiple intra-pupil parallax views
DE102016224510A1 (de) * 2016-12-08 2018-06-14 Audi Ag Verfahren zur Bereitstellung von Ergebnisdaten, die von einem Kraftfahrzeugumfeld abhängen
DE102017130488A1 (de) * 2017-12-19 2019-06-19 Valeo Schalter Und Sensoren Gmbh Verfahren zur Klassifizierung von Parklücken in einem Umgebungsbereich eines Fahrzeugs mit einem neuronalen Netzwerk
AT520781A2 (de) * 2017-12-22 2019-07-15 Avl List Gmbh Verhaltensmodell eines Umgebungssensors
DE102018000880B3 (de) * 2018-01-12 2019-02-21 Zf Friedrichshafen Ag Radarbasierte Längs- und Querregelung
DE102018101513A1 (de) * 2018-01-24 2019-07-25 Valeo Schalter Und Sensoren Gmbh Verfahren zur Detektion von Garagenparkplätzen
DE102018104243B3 (de) * 2018-02-26 2019-05-16 Autoliv Development Ab Verfahren und System zur Erkennung von für ein Fahrzeug geeigneten Parklücken
DE102018203684A1 (de) * 2018-03-12 2019-09-12 Zf Friedrichshafen Ag Identifikation von Objekten mittels Radardaten
DE102019101613A1 (de) 2018-03-21 2019-09-26 Dspace Digital Signal Processing And Control Engineering Gmbh Simulieren verschiedener Verkehrssituationen für ein Testfahrzeug
EP3543985A1 (de) * 2018-03-21 2019-09-25 dSPACE digital signal processing and control engineering GmbH Simulieren verschiedener verkehrssituationen für ein testfahrzeug
DE102018204494B3 (de) * 2018-03-23 2019-08-14 Robert Bosch Gmbh Erzeugung synthetischer Radarsignale
US10877152B2 (en) 2018-03-27 2020-12-29 The Mathworks, Inc. Systems and methods for generating synthetic sensor data
US11250321B2 (en) * 2018-05-08 2022-02-15 Microsoft Technology Licensing, Llc Immersive feedback loop for improving AI
US11093764B2 (en) * 2018-06-29 2021-08-17 Robert Bosch Gmbh Available parking space detection localization using historical aggregation shifting
CN109034211A (zh) * 2018-07-04 2018-12-18 广州市捷众智能科技有限公司 一种基于机器学习的车位状态检测方法
CN108959813B (zh) * 2018-07-26 2021-01-15 北京理工大学 一种智能车辆道路导航环境模型的仿真建模方法
CN117351272A (zh) * 2018-09-01 2024-01-05 图森有限公司 一种使用机器学习的人类驾驶行为建模系统
US11030364B2 (en) * 2018-09-12 2021-06-08 Ford Global Technologies, Llc Evaluating autonomous vehicle algorithms
US10720058B2 (en) 2018-09-13 2020-07-21 Volvo Car Corporation System and method for camera or sensor-based parking spot detection and identification
DE102018123735A1 (de) * 2018-09-26 2020-03-26 HELLA GmbH & Co. KGaA Verfahren und Vorrichtung zum Verbessern einer Objekterkennung eines Radargeräts
DE102018123779A1 (de) * 2018-09-26 2020-03-26 HELLA GmbH & Co. KGaA Verfahren und Vorrichtung zum Verbessern einer Objekterkennung eines Radargeräts
DE102018217390A1 (de) * 2018-10-11 2020-04-16 Robert Bosch Gmbh Verfahren zur Bestimmung eines Belegungszustands eines Stellplatzes
CN109632332B (zh) * 2018-12-12 2023-11-07 清华大学苏州汽车研究院（吴江） 一种自动泊车仿真测试系统及测试方法
DE102019101737A1 (de) * 2019-01-24 2020-07-30 Sick Ag Verfahren zur Überwachung eines Schutzbereichs
US10628688B1 (en) * 2019-01-30 2020-04-21 Stadvision, Inc. Learning method and learning device, and testing method and testing device for detecting parking spaces by using point regression results and relationship between points to thereby provide an auto-parking system
GB2581523A (en) * 2019-02-22 2020-08-26 Bae Systems Plc Bespoke detection model
CN113728267A (zh) * 2019-02-28 2021-11-30 奇跃公司 使用由光发射器阵列形成的多个瞳孔内视差视图来提供可变适应提示的显示系统和方法
US20200293860A1 (en) * 2019-03-11 2020-09-17 Infineon Technologies Ag Classifying information using spiking neural network
DE112020000369T5 (de) * 2019-03-16 2021-10-21 Nvidia Corporation Objekterfassung unter verwendung von verzerrten polygonen, die zur parkplatzerfassung geeignet ist
CA3125573A1 (en) 2019-03-29 2020-10-08 Bae Systems Plc System and method for classifying vehicle behaviour
CN110379178B (zh) * 2019-07-25 2021-11-02 电子科技大学 基于毫米波雷达成像的无人驾驶汽车智能泊车方法
US11482015B2 (en) * 2019-08-09 2022-10-25 Otobrite Electronics Inc. Method for recognizing parking space for vehicle and parking assistance system using the method
CN112699189B (zh) * 2019-10-23 2024-06-04 盒马(中国)有限公司 位置信息更新方法、装置及计算机系统
CN111079274B (zh) * 2019-12-04 2024-04-09 深圳市机场股份有限公司 机位智能分配方法、计算机装置及存储介质
US11425227B2 (en) * 2020-01-30 2022-08-23 Ford Global Technologies, Llc Automotive can decoding using supervised machine learning
JP7372543B2 (ja) * 2020-03-06 2023-11-01 愛知製鋼株式会社 探傷方法及び探傷システム
CN111552289B (zh) * 2020-04-28 2021-07-06 苏州高之仙自动化科技有限公司 检测方法及虚拟雷达装置、电子设备、存储介质
CN111738191B (zh) * 2020-06-29 2022-03-11 广州橙行智动汽车科技有限公司 一种车位显示的处理方法和车辆
CN112289023B (zh) * 2020-10-09 2024-03-26 腾讯科技（深圳）有限公司 用于自动驾驶的停车仿真测试方法、装置及相关设备
CN113380068A (zh) * 2021-04-26 2021-09-10 安徽域驰智能科技有限公司 一种基于描述障碍物轮廓的泊车车位生成方法
CN113525357B (zh) * 2021-08-25 2022-12-09 吉林大学 自动泊车决策模型优化系统及方法
CN113836029A (zh) * 2021-09-29 2021-12-24 中汽创智科技有限公司 毫米波雷达性能测试的方法、装置、存储介质和终端
US11803783B2 (en) 2021-11-29 2023-10-31 International Business Machines Corporation Dynamic vehicle parking assignment with user feedback
CN113888899B (zh) * 2021-12-08 2022-06-07 江铃汽车股份有限公司 一种车位有效性检测方法及系统
US20230222903A1 (en) * 2022-01-07 2023-07-13 Reby Inc. Detection of a scooter parking status through a dynamic classification model
US11881108B2 (en) * 2022-01-12 2024-01-23 Ford Global Technologies, Llc Systems and methods for virtual parking lot space allocation
US20230229826A1 (en) * 2022-01-14 2023-07-20 Argo Al, LLC Method for assigning a lane relationship between an autonomous vehicle and other actors near an intersection
CN117831340B (zh) * 2024-01-11 2024-06-28 深圳点点电工网络科技有限公司 停车位生成方法、控制装置及计算机可读存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10229231B2 (en) * 2015-09-11 2019-03-12 Ford Global Technologies, Llc Sensor-data generation in virtual driving environment
US9740944B2 (en) * 2015-12-18 2017-08-22 Ford Global Technologies, Llc Virtual sensor data generation for wheel stop detection
US10304335B2 (en) * 2016-04-12 2019-05-28 Ford Global Technologies, Llc Detecting available parking spaces

Also Published As

Publication number Publication date
CN107633303A (zh) 2018-01-26
GB201711303D0 (en) 2017-08-30
DE102017116192A1 (de) 2018-01-25
US20180025640A1 (en) 2018-01-25
GB2553654A (en) 2018-03-14
MX2017009395A (es) 2018-09-10

Similar Documents

Publication Publication Date Title
RU2017125562A (ru) Способ для виртуального испытания обнаружения места стоянки и компьютерная система
RU2016149163A (ru) Генерация данных виртуальных датчиков для выявления колесного упора
US12061846B2 (en) Simulation and validation of autonomous vehicle system and components
US11783180B1 (en) Object detection neural network
US12030520B2 (en) Method and system for validating autonomous control software for a self-driving vehicle
US20190042679A1 (en) Method for virtual tests for an autonomous vehicle
Vasconcelos et al. Calibration of the Gipps car-following model using trajectory data
RU2017123627A (ru) Способ генерации виртуальных данных с датчиков для выявления приемников оградительных столбов
CN106503653A (zh) 区域标注方法、装置和电子设备
RU2016140057A (ru) Испытательный стенд для выявления границ полосы движения в виртуальной среде вождения
RU2017146151A (ru) Формирование моделированных данных датчиков для обучения и проверки достоверности моделей обнаружения
RU2017120682A (ru) Способ и система обучения для предотвращения столкновений с использованием звуковых данных
Tageldin et al. Comparison of time-proximity and evasive action conflict measures: Case studies from five cities
CN105096340A (zh) 检测静态和动态对象
CN107609483B (zh) 面向驾驶辅助系统的危险目标检测方法、装置
US20230150550A1 (en) Pedestrian behavior prediction with 3d human keypoints
US11010919B2 (en) Object locator with fiducial marker
US20210104171A1 (en) Multi-agent simulations
Tuncali et al. Sim-atav: Simulation-based adversarial testing framework for autonomous vehicles
CN105303887B (zh) 用于监视车辆的期望轨迹的方法和设备
CN106291506A (zh) 基于单线点云数据机器学习的车辆目标识别方法及装置
CN105867408B (zh) 可行驶空间判断装置及其方法
CN110543807A (zh) 验证障碍物候选的方法
US11299169B2 (en) Vehicle neural network training
CN112668603A (zh) 产生识别传感器数据中的对象的识别模型用的训练数据的方法和设备、训练方法和操控方法

Legal Events

Date Code Title Description
FA93 Acknowledgement of application withdrawn (no request for examination)

Effective date: 20200720