-
公开(公告)号：CN110414425A
公开(公告)日：2019-11-05
申请号：CN201910680871.5
申请日：2019-07-26
Applicant: 清华大学
Abstract: 本发明涉及一种基于灭点检测的宽度自适应车道线检测方法及系统，包括车道线标识提取模块、车道线拟合模块和车道线追踪模块，在车道线标识提取模块内，首先对输入图片进行逐行扫描获取满足先验车道线宽度要求的左右边缘对特征，再将左右边缘对特征聚类以获得车道线标识，对车道线标识依据颜色、大小、位置进行筛选；在车道线拟合模块内，首先将车道线标识拟合为解析形式，再利用车道线投票得到灭点，然后利用灭点对拟合出的车道线进行筛选；在车道线追踪模块内，利用卡尔曼滤波实现车道线追踪，实现连续视频输入下的优化，并计算最优化宽度阈值，向车道线标识提取模块反馈该最优化宽度阈值，以获得更好的性能。本发明能实现宽度自适应，提高车道线检测的性能。
-
公开(公告)号：CN109598934A
公开(公告)日：2019-04-09
申请号：CN201811524283.4
申请日：2018-12-13
Applicant: 清华大学
IPC: G08G1/01 , G08G1/0968 , G05D1/02
Abstract: 本发明涉及一种基于融合规则与学习模型的无人驾驶汽车驶离高速的方法，其步骤：无人驾驶汽车在高速公路行驶过程中，根据导航系统在匝道前一段距离产生下匝道动机，利用规则模型尝试下匝道，并判断基于规则的决策模型下匝道是否降低成功率，若没有降低，则采用规则模型决策动作，反之则进入下一步；基于增强学习的框架建立混合规则与增强学习的混合决策模型及其训练方法，混合决策模型能够在远离匝道时采用规则模型驾驶，并在驶向匝道过程中，根据下匝道紧迫性利用增强学习决策模型调整车辆动作。本发明能提升无人驾驶汽车下匝道过程的行驶效率与稳定性，实现在有限感知范围，难以预测的环境车辆条件下，无人驾驶汽车高效、高稳定性的下匝道决策。
-
Patent Agency Ranking
公开(公告)号：CN119659667A
公开(公告)日：2025-03-21
申请号：CN202411713207.3
申请日：2024-11-27
Applicant: 清华大学
IPC: B60W60/00 , B60W30/095 , B60W50/00
Abstract: 本发明涉及一种自动驾驶BEV安全行驶空间构建方法，所述方法，包括：S1，获取汽车对环境的环境目标感知信息，识别汽车的可行驶边界，并根据环境目标信息进行可行驶边界上的边界式风险评估；S2，根据环境目标感知信息中的感知不确定性，对边界式风险评估的风险评估结果进行修正，得到修正后的风险评估结果；S3，根据所述感知不确定性和修正后的风险评估结果，划定自适应安全裕量，并根据自适应安全雨量，构建汽车可安全行驶的安全行驶空间。
-
公开(公告)号：CN119590450A
公开(公告)日：2025-03-11
申请号：CN202411712684.8
申请日：2024-11-27
Applicant: 清华大学
Abstract: 本发明涉及一种自动驾驶BEV边界式行驶空间预测方法，所述方法，包括：S1，根据汽车当前自动驾驶BEV视角下的边界式行驶空间的边界，利用预先构建的边界式行驶空间预测模型来预测设定时间间隔之后的预测边界，作为边界式预测结果；S2，获取当前的可视化交通场景图，输入大语言模型，输出当前的驾驶意图的大语言模型结果；S3，将边界式预测结果和大语言模型结果进行自适应融合，得到自动驾驶BEV边界式行驶空间的预测结果。
-
公开(公告)号：CN113879323B
公开(公告)日：2023-03-14
申请号：CN202111246972.5
申请日：2021-10-26
Applicant: 清华大学
Abstract: 本发明涉及一种可信赖学习型自动驾驶决策方法、系统、存储介质及设备，其包括：基于预先设定的决策问题构建可解释性决策，由所述可解释性决策引导所述学习型决策训练；由所述决策问题对学习型决策进行训练，得到具有高价值的决策价值函数的学习型决策；选取所述学习型决策和所述可解释性决策两者中价值高的决策，作为最终可信赖的学习型决策动作。本发明能实现对自动驾驶汽车学习型决策的可信赖度保障，以保证自动驾驶汽车的高可信赖性。本发明可以广泛在自动驾驶技术领域中应用。
-
公开(公告)号：CN111267862B
公开(公告)日：2021-04-02
申请号：CN202010030964.6
申请日：2020-01-13
Applicant: 清华大学
Abstract: 本发明涉及一种依赖跟随目标的虚拟车道线构造方法和系统，包括以下步骤：判断当前车道线是否不能由摄像头获取，若是，则从感知结果中提取所有目标检测信息，否则，持续判断；根据预先建立的感知坐标系，计算各个目标的初始目标偏差；计算各个目标的偏差补偿量；根据各个目标的初始目标偏差和偏差补偿量，计算各个目标进行偏差补偿之后的目标偏差；根据目标中心点相对于感知坐标系原点的距离及各个目标的目标偏差确定自车与跟随目标之间的可行驶区域，并在可行驶区域内选取跟随目标；基于跟随目标中心点及自车中心点构造虚拟车道线。本发明可以广泛应用于高级驾驶辅助系统技术领域。
-
公开(公告)号：CN111208839A
公开(公告)日：2020-05-29
申请号：CN202010329502.4
申请日：2020-04-24
Applicant: 清华大学
IPC: G05D1/02
Abstract: 本发明涉及一种实时感知信息与自动驾驶地图的融合方法及系统，其包括：确定障碍物与地图中道路的关系；可行驶区域融合与边界状态分析；将障碍物与地图中道路的关系、可行驶区域融合与边界状态分析结果与地图本身的静态环境信息相结合，实现感知结果的集成输出。本发明过滤掉了道路外的障碍物，并明确了道路内的障碍物所在的车道以及其与该车道的位置角度关系，为运动预测提供了依据；根据地图信息剔除了感知得到的可行驶区域中不合理的部分，并得到了边界的语义类别与速度。至此，各种环境元素在地图平台上得到了联系和整合。
-
-
-
-
-
-
Search Results
17
records
(took 0.015 seconds)
