[go: up one dir, main page]

CN111055842B - 用于控制车辆的方法和装置 - Google Patents

用于控制车辆的方法和装置 Download PDF

Info

Publication number
CN111055842B
CN111055842B CN201910921046.XA CN201910921046A CN111055842B CN 111055842 B CN111055842 B CN 111055842B CN 201910921046 A CN201910921046 A CN 201910921046A CN 111055842 B CN111055842 B CN 111055842B
Authority
CN
China
Prior art keywords
vehicle
model
information
driving
vehicle 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.)
Active
Application number
CN201910921046.XA
Other languages
English (en)
Other versions
CN111055842A (zh
Inventor
河美淑
张铁薰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
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 Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Publication of CN111055842A publication Critical patent/CN111055842A/zh
Application granted granted Critical
Publication of CN111055842B publication Critical patent/CN111055842B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/12—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to parameters of the vehicle itself, e.g. tyre models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/18—Propelling the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
    • H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/03—Protecting confidentiality, e.g. by encryption
    • H04W12/037—Protecting confidentiality, e.g. by encryption of the control plane, e.g. signalling traffic
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/50—Magnetic or electromagnetic sensors
    • B60W2420/506—Inductive sensors, i.e. passive wheel sensors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/30—Driving style
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2400/00—Special features of vehicle units
    • B60Y2400/30—Sensors
    • B60Y2400/304—Acceleration sensors
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/03—Protecting confidentiality, e.g. by encryption
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Medical Informatics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Human Computer Interaction (AREA)
  • Computer Hardware Design (AREA)
  • Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本申请提供了用于控制车辆的方法和装置。所述方法利用根据第二模型的优化后的输出而训练的第一模型来控制车辆。该方法包括：获得所述车辆的车辆控制参数；获得将所述车辆控制参数接收为输入的第一模型的中间输出值；向服务器发送包括所述车辆控制参数和所述中间输出值的用户驾驶信息；从所述服务器接收基于所述用户驾驶信息而确定的为控制所述车辆而优化了的车辆控制信息；基于所述车辆控制信息训练所述第一模型；以及通过使用训练好的第一模型来控制所述车辆。

Description

用于控制车辆的方法和装置
相关申请的交叉引用
本申请要求2018年10月15日在韩国知识产权局提交的韩国专利申请No.10-2018-0122251的优先权，该韩国申请的公开内容通过引用整体并入本文中。
技术领域
本申请的实施例涉及用于控制车辆的方法和装置。
背景技术
各种视觉信息增强被提供用来辅助对车辆和其他运输设备进行操纵。为了生成视觉信息，可以从任意驾驶图像中提取车道标记或道路信息并进行处理。当以这种方式利用从驾驶图像获得的道路信息来识别车辆的运行状态或者控制车辆时，可能需要大量的数据以进行学习，并且可能需要大量的处理时间以优化数据。此外，当对数据的访问被暴露时，可能存在关于用户曾在何时、何地移动的个人信息泄露的相应问题。
发明内容
本申请的实施例提供了一种用于控制车辆的方法和装置。
实施例的一方面提供了一种控制车辆的方法，所述方法包括：获得所述车辆的车辆控制参数；获得将所述车辆控制参数接收为输入的第一模型的中间输出值；向服务器发送包括所述车辆控制参数和所述中间输出值的用户驾驶信息；从所述服务器接收基于所述用户驾驶信息而确定的为控制所述车辆而优化了的车辆控制信息；基于所述车辆控制信息训练所述第一模型；以及通过使用训练好的第一模型来控制所述车辆。
实施例的另一方面提供了一种非暂时性计算机可读记录介质，所述非暂时性计算机可读记录介质上包含有用于执行控制车辆的方法的程序。
实施例的另一方面提供了一种装置，所述装置被配置为控制车辆，所述装置包括：传感器，所述传感器被配置为获得所述车辆的车辆控制参数；处理器，所述处理器被配置为获得将所述车辆控制参数接收为输入的第一模型的中间输出值；以及通信接口，所述通信接口被配置为向服务器发送包括所述车辆控制参数和所述中间输出值的用户驾驶信息，并且从所述服务器接收基于所述用户驾驶信息而确定的为控制所述车辆而优化了的车辆控制信息，其中，所述处理器还被配置为基于所述车辆控制信息训练所述第一模型并且通过使用训练好的第一模型控制所述车辆。
附图说明
从下面结合附图的详细描述将会更加清楚地理解本申请的实施例，其中：
图1是用于说明根据实施例的控制车辆的方法的示意图；
图2是根据实施例的控制车辆的方法的流程图；
图3是用于说明根据实施例的控制车辆的方法的示意图；
图4是根据实施例的控制车辆的方法的操作流程图；以及
图5是根据实施例的用于控制车辆的装置的框图。
具体实施方式
在下文中，将参考附图详细描述本申请的实施例。
图1是用于说明根据实施例的控制车辆的方法的示意图。
参考图1，示出了控制车辆的设备110(在下文中，称为控制设备)与服务器130之间的操作。控制设备110可以是车辆本身，控制设备110可以是嵌入或者包含在车辆中的组件或系统。作为诸如智能电话的用户终端，控制设备110可以通过接口(例如USB接口、有线连接、诸如蓝牙或WiFi的无线连接等)耦接到车辆。车辆可以是用于在道路或其他表面上行驶的任何运输车辆，并且可以包括例如自动驾驶车辆、配备有高级驾驶辅助系统(ADAS)的智能车辆等。
控制设备110可以获得车辆的驾驶环境的信息。驾驶环境的信息可以与用户(驾驶员)在某种驾驶环境中如何表现(操作)的信息或驾驶参数相对应。例如，驾驶环境的信息可以包括车辆驾驶图像和与获得车辆驾驶图像的时间点相对应的车辆控制参数。这里，可以在驾驶车辆时和/或停止车辆时通过安装在车辆上的拍摄装置获得车辆驾驶图像。拍摄装置可以被配置为拍摄车辆的前面的视野或侧面的视野等。或者，车辆驾驶图像可以是通过通信接口(参见图5中的通信接口540)从控制设备110外部的源接收的车辆的前侧和两侧中的至少一个的外部图像。车辆驾驶图像可以包括例如包含附近的车辆、车道、路缘、人行道和周围环境的道路图像，和/或路面图像。除了彩色图像之外，车辆驾驶图像还可以包括诸如红外图像、深度图像和立体图像的各种图像。车辆驾驶图像可以包括一帧或多帧，或视频帧序列。驾驶图像可以包括二维(2D)驾驶图像和三维(3D)驾驶图像。
此外，“车辆控制参数”可以包括与车辆的操纵和/或驾驶控制组件相关的参数，例如加速器的加速率、制动器的制动率以及转向角和/或方向盘变化。
如上所述，驾驶环境的信息可以包括诸如车辆的用户曾在何时、何地以及以何种驾驶模式驾驶的个人信息。因此，在实施例中，可以通过禁止外部传输驾驶环境的信息(换句话说，车辆驾驶图像的原始数据和车辆控制参数)，来保护个人信息。原始数据可以是与例如车辆驾驶图像、雷达信号、激光雷达(LiDAR)信号、车辆速度、制动操作、加速器的加速操作、方向盘的转向操作等相关的数据。
控制设备110可以将车辆驾驶图像和/或车辆控制参数处理成信息(或提炼的(distilled)知识)，并且将处理后的控制参数发送到服务器130。此时，该信息可以包括例如基于驾驶环境的信息提取的用户的驾驶特征(例如，特征向量或特征图)，以及与关于例如原始数据(或驾驶图像)中何处存在对象的信息(或概率信息)对应的软等级(softlevel)。在控制设备110中处理驾驶环境的信息时计算的中值(median value)可以具有例如未知矢量的形式。在实施例中，通过将在对原始数据进行处理时计算的中值作为数字信息发送，可以在没有单独的加密处理的情况下保护用户个人信息。根据实施例，控制设备110可以单独加密驾驶环境的信息(例如，车辆控制参数)并将加密后的信息发送到服务器130。
服务器130可以执行利用数字信息识别车辆控制操作的软件。这里，软件可以基于用户驾驶信息(或用户数字信息)预测例如用户将如何驾驶(或表现)。相比于通过优化数字信息对原始数据进行处理，服务器130可以快速且有效地确定或计算出优化的车辆控制信息。服务器130可以向控制设备110发送包括例如针对用户的驾驶模式而优化的模型的参数值的优化的车辆控制信息。
控制设备110可以通过使用从服务器130接收的优化的车辆控制信息来控制要为用户优化的车辆。
图2是根据实施例的控制车辆的方法的流程图。
参考图2，根据实施例的控制设备可以获得车辆的驾驶环境的信息(210)。控制设备可以通过使用例如图像传感器、雷达、LiDAR、陀螺仪传感器、加速度传感器和全球定位系统(GPS)传感器中的至少一个来获得驾驶环境的信息。
控制设备可以通过将基于驾驶环境的信息提取到的用户的驾驶特征应用为第一模型的输出而获得第一模型的中间输出值(220)。控制设备可以基于驾驶环境的信息提取驾驶环境中的用户的驾驶特征。可以通过例如包括在第一模型中的层，或单独的神经网络或单独的特征提取函数来提取驾驶特征。驾驶特征可以是例如以特征向量或特征图的形式。
第一模型可以包括神经网络，该神经网络包括诸如输入层、隐藏层和输出层的多个层。这里，第一模型例如可以是车辆的基于驾驶特征识别车辆的驾驶状况并且控制车辆的运行模型。神经网络可以包括例如卷积神经网络(CNN)、深度神经网络(DNN)和循环神经网络(RNN)。
控制设备可以获得第一模型的多个层中的中间层的中间输出值。中间层可以包括例如隐藏层。
控制设备可以向服务器130发送包括用户的驾驶特征和中间输出值中的至少一个的用户驾驶信息(230)。控制设备可以分开发送用户的驾驶特征和中间输出值，也可以一起发送用户的驾驶特征和中间输出值两者。
控制设备可以从服务器接收基于用户驾驶信息确定的车辆控制信息(240)。这里，服务器可以包括例如基于神经网络的第二模型。第二模型可以包括例如用于输出针对用户的驾驶模式而优化的车辆控制信息的驾驶学习模型。优化的车辆控制信息可以包括例如第一模型的参数值。可以通过例如零次(zero-shot)学习方法来训练第二模型。“零次学习”可以是使得学习数据类与正确数据类之间的交集变为空集。换句话说，零次学习可以是命中(hit)未包括在学习数据中的类的学习方法。根据零次学习方法，可以基于类的标签之间的语义关系来预测未包括在学习数据中的类。
控制设备可以基于车辆控制信息更新第一模型(250)。基于车辆控制信息，控制设备可以更新第一模型的中间层之后的层。例如，在操作220中，从第一模型的多个层中的第三层获得输出值。在这种情况下，控制设备可以基于车辆控制信息更新第一模型的第三层之后的层(例如，从第四层到输出层)(250)。
控制设备可以通过使用更新后的第一模型来控制车辆(260)。控制设备可以通过使用从更新后的第一模型输出的控制参数(其是优化的参数)来控制车辆。
图3是用于说明根据实施例的控制车辆的方法的示意图。
参考图3，示出了根据实施例的用于控制车辆的控制设备310和服务器330的结构。
控制设备310可以包括未授权向外传输阻止设备313和基于神经网络的第一模型315。
未授权向外传输阻止设备313可以是阻止驾驶环境的信息(即，驾驶图像的原始数据和车辆控制参数)被未授权地向外传输的设备。除非在获得用户的授权时，否则未授权向外传输阻止设备313可以阻止驾驶环境的信息的原始数据被未授权地向外传输。
第一模型315可以包括：第一神经网络，其基于驾驶环境的信息来提取用户的驾驶特征(例如，特征向量或特征图)；以及第二神经网络，其基于用户的驾驶特征来识别车辆的驾驶状况并且控制车辆。可以通过基于驾驶环境的信息提取用户的驾驶特征的函数来实施第一神经网络。第一神经网络和第二神经网络可以被具体体现为第一模型315的单个神经网络或者分开的神经网络。
例如，控制设备310可以从第一模型315的第二层获得第一模型315的中间输出值F2(x)。控制设备310可以将第一模型315的中间输出值F2(x)发送到服务器330。此外，控制设备310可以将通过第一模型315输出的车辆控制参数317发送到服务器330。车辆控制参数317和中间输出值F2(x)可以以二进制信号的形式被加密(或转换)，并且可以被发送到服务器330。
服务器330的第二模型335可以接收中间输出值F2(x)作为输入，并且可以输出针对用户的驾驶模式优化了的车辆控制信息。此时，第二模型335还可以接收从控制设备310发送的车辆控制参数317。除了中间输出值F2(x)之外，第二模型335还可以输出在考虑了车辆控制参数317之后优化的车辆控制信息。此时，优化的车辆控制信息可以包括基于中间输出值F2(x)在第二模型335中优化的控制参数337。可以提供优化的控制参数337作为用于第一模型315的(优化的)参数值并且用于更新第一模型315。
图4是根据实施例的控制车辆的方法的操作流程图。
参考图4，示出了在控制设备410与服务器430之间执行的用于控制车辆的操作。控制设备410可以包括第一模型415。服务器430可以包括第二模型435。
控制设备410可以获得车辆传感器数据(401)。此时，车辆传感器数据可以包括驾驶环境的信息，并且可以从例如图像传感器、雷达、LiDAR、陀螺仪传感器、加速度传感器和GPS传感器获得。
控制设备410可以通过例如特征检测模块从传感器数据生成与用户的驾驶特征相对应的特征图(402)。特征检测模块可以包括单独的神经网络或从传感器数据中提取特征的提取函数。控制设备410可以以驾驶特征数或驾驶特征值的形式向服务器430发送包括在特征图中的用户的驾驶特征。此时，服务器430可以存储从控制设备410接收的用户的驾驶特征(404)。
控制设备410可以将在操作402中生成的用户的驾驶特征(或用户特征图)应用于第一模型415，识别车辆驾驶期间的驾驶状况，并且确定车辆控制参数317(403)。此时，控制设备410可以获得第一模型415的中间输出值。控制设备410可以向服务器430发送包括第一模型415的中间输出值的用户驾驶信息(403)。此外，控制设备410可以将从第一模型415输出的控制参数发送到服务器430。
可以训练服务器430的第二模型435以基于在操作404中存储的用户的驾驶特征来优化第二模型435(405)。此外，服务器430可以将从控制设备410接收的用户驾驶信息和/或控制参数应用于第二模型435，并且基于学习车辆控制(406)的结果确定优化的车辆控制信息(407)，以优化用户的驾驶模式。根据实施例，服务器403可以使用与控制设备410发送的驾驶特征数中的GPS传感器的数据相对应的值，并训练第二模型435，使得针对已获得相应驾驶环境的信息的每个位置(例如，国家)确定车辆控制信息。
服务器430可以将优化的车辆控制信息发送到控制设备410的第一模型415。在操作403中，控制设备410可以通过进一步将由服务器430发送的优化的车辆控制信息应用到驾驶期间识别的驾驶状况和控制参数来更新第一模型415。
控制设备可以通过使用更新后的第一模型来控制车辆(408)。
图5是根据实施例的用于控制车辆的装置500的框图。
参考图5，根据实施例的用于控制车辆的装置(或“控制设备”)500可以包括传感器510、处理器520、存储器530和通信接口540。传感器510、处理器520、存储器530和通信接口540可以经由一个或更多个通信总线505彼此互连。
传感器510可以获得(或感测)驾驶环境的信息。传感器510可以包括例如图像传感器、雷达、LiDAR、陀螺仪传感器、加速度传感器、GPS传感器等。图像传感器可以获得车辆驾驶图像。除了车辆驾驶图像之外，雷达和/或LiDAR还可以获得与驾驶图像相对应的车辆的速度、距离、位置等。陀螺仪传感器和加速度传感器可以在相应的时间点感测与车辆驾驶图像相对应的车辆的速度、姿势等。GPS传感器可以感测与车辆驾驶图像相对应的车辆位置(例如，全局坐标)。
处理器520可以基于由传感器510获得的驾驶环境的信息提取驾驶环境中的用户的驾驶特征。处理器520可以加密驾驶环境的信息。通信接口540可以将由处理器520加密的驾驶环境信息发送到服务器。
处理器520可以通过将基于驾驶环境的信息提取的用户的驾驶特征输入到第一模型来获得第一模型的中间输出值。第一模型可以包括包含多个层的神经网络。第一模型可以是车辆的驾驶模型。第一模型的神经网络可以基于驾驶特征识别车辆的驾驶状况并且控制车辆。处理器520可以获得第一模型的多个层中的中间层的输出值。
存储器530可以存储由传感器510获得的驾驶环境的信息。存储器530可以存储由处理器520从驾驶环境的信息中提取的用户的驾驶特征，以及第一模型的中间输出值。
通信接口540可以向服务器130发送包括用户的驾驶特征和中间输出值中的至少一个的用户驾驶信息。这里，服务器130可以包括基于神经网络的第二模型。第二模型可以是例如驾驶学习模型。第二模型可以接收用户驾驶信息并输出针对用户的驾驶模式而优化的车辆控制信息。优化的车辆控制信息可以包括第一模型的参数值。可以通过例如零次学习方法来学习第二模型。
通信接口540可以从服务器接收基于用户驾驶信息确定的车辆控制信息。
处理器520可以基于通过通信接口540接收的车辆控制信息来更新第一模型。基于车辆控制信息，处理器520可以更新第一模型的中间层之后的层。处理器520可以通过使用更新后的第一模型来控制车辆。
此外，处理器520可以执行如上参考图1至图4所述的至少一种方法或控制操作，或者与至少一种方法相对应的算法。处理器520可以是由硬件实施的数据处理设备(例如中央处理单元或微处理器)，该硬件包括具有用于执行所需操作的物理结构的电路。例如，所需操作可以包括存储在存储器中并从存储器读取以供执行的程序中包括的代码或指令。例如，由硬件实施的数据处理设备可以包括微处理器、中央处理单元、处理器核心、多核心处理器、多处理器、专用集成电路(ASIC)和现场可编程门阵列(FPGA)。
处理器520可以执行程序并对控制设备进行控制。由处理器520执行的程序中的代码可以存储在存储器530中。
存储器530可以存储在上述处理器520的进程中生成的各种信息。此外，存储器530可以存储各种数据、程序等。存储器530可以包括易失性存储器或非易失性存储器。存储器530可以通过使用诸如硬盘的大容量存储介质来存储各种数据。
根据实施例的方法可以以可通过各种计算机工具执行的程序命令的形式，记录在计算机可读记录介质中。计算机可读记录介质可以单独地或以它们的组合的方式包括程序指令、数据文件和数据结构等。要记录在计算机可读记录介质上的程序指令可以是为实施例专门设计和配置的程序指令，或者可以是计算机软件领域普通技术人员可用的程序指令。计算机可读记录介质的示例包括：诸如硬盘、软磁盘和磁带的磁介质；诸如CD-ROM和DVD的光学介质；诸如光磁软盘的磁光介质；以及诸如ROM、RAM和闪速存储器等的特别配置为存储和执行程序指令的硬件设备。程序指令的示例包括诸如由编译器生成的机器语言代码，以及由计算机利用解释器等执行的高级语言代码。上述硬件设备可以被配置为作为用于执行实施例的操作的一个或更多个软件模块操作，反之亦然。
尽管已经参考附图描述了实施例，但是本领域普通技术人员可以基于以上描述进行各种技术修改和变化。例如，应当理解，所描述的技术，和/或所描述的系统、结构、设备、电路等的组件，或即使它们被替换或替代的等同形式可以以与所描述的方法不同的顺序来执行。
因此，其他实施方式、其他实施例和权利要求的等同形式也在所附权利要求的范围内。

Claims (20)

1.一种控制车辆的方法，所述方法包括：
获得所述车辆的车辆控制参数；
确定所述车辆的用户的驾驶特征，其中所述确定包括：由第一模型基于所述车辆的驾驶环境的信息来提取所述驾驶特征，所述车辆的驾驶环境的信息包括所述车辆控制参数；
获得将所述车辆的驾驶环境的信息接收为输入的第一模型的中间输出值；
向服务器发送包括所述驾驶特征和所述中间输出值中的至少一个的用户驾驶信息；
从所述服务器接收通过所述服务器中的第二模型基于所述用户驾驶信息而确定的为控制所述车辆而优化了的车辆控制信息；
基于所述车辆控制信息训练所述第一模型；以及
通过使用训练好的第一模型来控制所述车辆。
2.根据权利要求1所述的方法，其中，所述第一模型包括神经网络，所述神经网络包括多个层，并且所述第一模型被配置为基于所述驾驶特征识别所述车辆的驾驶状况。
3.根据权利要求1所述的方法，其中，获得所述第一模型的所述中间输出值包括获得所述第一模型的多个层中的中间层的所述中间输出值。
4.根据权利要求1所述的方法，其中，所述第二模型基于神经网络，并且
其中，所述第二模型被配置为输出所述车辆控制信息。
5.根据权利要求4所述的方法，其中，所述第二模型是通过零次学习方法被训练的。
6.根据权利要求4所述的方法，其中，优化后的车辆控制信息包括输入到所述第一模型的参数值。
7.根据权利要求3所述的方法，其中，基于所述车辆控制信息训练所述第一模型包括基于所述车辆控制信息更新所述第一模型的所述中间层之后的层。
8.根据权利要求1所述的方法，其中，向所述服务器发送所述用户驾驶信息包括：
加密所述用户驾驶信息；以及
向所述服务器发送加密后的所述用户驾驶信息。
9.根据权利要求1所述的方法，其中，获得所述车辆控制参数包括：基于所述车辆的驾驶环境的信息提取所述车辆控制参数。
10.根据权利要求1所述的方法，其中，获得所述车辆控制参数包括：通过使用图像传感器、雷达、激光雷达、陀螺仪传感器、加速度传感器和全球定位系统中的至少一个来获得所述车辆控制参数。
11.一种非暂时性计算机可读记录介质，所述非暂时性计算机可读记录介质上包含有用于执行权利要求1所述的方法的程序。
12.一种用于控制车辆的装置，所述装置包括：
传感器，所述传感器被配置为：
获得所述车辆的车辆控制参数；
处理器，所述处理器被配置为：
确定所述车辆的用户的驾驶特征，其中所述确定包括：由第一模型基于所述车辆的驾驶环境的信息来提取所述驾驶特征，所述车辆的驾驶环境的信息包括所述车辆控制参数；
获得将所述车辆的驾驶环境的信息接收为输入的第一模型的中间输出值；以及
通信接口，所述通信接口被配置为向服务器发送包括所述驾驶特征和所述中间输出值中的至少一个的用户驾驶信息，以及从所述服务器接收通过所述服务器中的第二模型基于所述用户驾驶信息而确定的为控制所述车辆而优化了的车辆控制信息，
其中，所述处理器还被配置为基于所述车辆控制信息训练所述第一模型并且通过使用训练好的第一模型来控制所述车辆。
13.根据权利要求12所述的装置，其中，所述第一模型包括神经网络，所述神经网络包括多个层，并且所述处理器被配置为基于所述驾驶特征识别所述车辆的驾驶状况。
14.根据权利要求12所述的装置，其中，所述处理器还被配置为获得所述第一模型的多个层中的中间层的所述中间输出值。
15.根据权利要求12所述的装置，其中，所述第二模型基于神经网络，并且
其中，所述第二模型被配置为输出所述车辆控制信息。
16.根据权利要求15所述的装置，其中，所述第二模型是通过零次学习方法被训练的。
17.根据权利要求15所述的装置，其中，优化后的车辆控制信息包括输入到所述第一模型的参数值。
18.根据权利要求14所述的装置，其中，所述处理器还被配置为基于所述车辆控制信息更新所述第一模型的所述中间层之后的层。
19.根据权利要求12所述的装置，其中，所述处理器还被配置为加密所述用户驾驶信息，并且
其中，所述通信接口还被配置为向所述服务器发送加密后的所述用户驾驶信息。
20.根据权利要求12所述的装置，其中，所述处理器还被配置为基于所述车辆的驾驶环境的信息提取所述车辆控制参数。
CN201910921046.XA 2018-10-15 2019-09-26 用于控制车辆的方法和装置 Active CN111055842B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2018-0122251 2018-10-15
KR1020180122251A KR102521657B1 (ko) 2018-10-15 2018-10-15 차량을 제어하는 방법 및 장치

Publications (2)

Publication Number Publication Date
CN111055842A CN111055842A (zh) 2020-04-24
CN111055842B true CN111055842B (zh) 2024-02-13

Family

ID=70161295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910921046.XA Active CN111055842B (zh) 2018-10-15 2019-09-26 用于控制车辆的方法和装置

Country Status (3)

Country Link
US (1) US11550326B2 (zh)
KR (1) KR102521657B1 (zh)
CN (1) CN111055842B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102633140B1 (ko) * 2018-10-23 2024-02-05 삼성전자주식회사 주행 정보를 결정하는 방법 및 장치
KR20220023212A (ko) 2020-08-20 2022-03-02 삼성전자주식회사 단말의 모델을 갱신하는 서버 및 그 동작 방법
KR102260246B1 (ko) * 2020-12-22 2021-06-04 주식회사 모빌린트 자율 주행을 위한 딥러닝 알고리즘 설정 방법 및 장치
CN112651456B (zh) * 2020-12-31 2023-08-08 遵义师范学院 基于rbf神经网络的无人车控制方法
US12195036B2 (en) * 2022-06-01 2025-01-14 Baidu Usa Llc Dynamic scenario parameters for an autonomous driving vehicle
KR102850667B1 (ko) * 2022-12-12 2025-08-27 주식회사 카카오모빌리티 경로 안내와 연동된 자율주행 소프트웨어의 검색과 학습에 의한 자율주행 제어 방법 및 장치
KR102546509B1 (ko) * 2023-01-26 2023-06-26 주식회사 베리워즈 e-모빌리티를 위한 지능형 속도제어 시스템

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106652645A (zh) * 2017-03-16 2017-05-10 百度在线网络技术（北京）有限公司 车辆驾驶训练设备、车辆驾驶训练设备的操作方法和装置
CN107862346A (zh) * 2017-12-01 2018-03-30 驭势科技（北京）有限公司 一种进行驾驶策略模型训练的方法与设备
CN108116409A (zh) * 2016-11-30 2018-06-05 三星电子株式会社 用于生成自主驾驶路线的方法和设备
CN108139884A (zh) * 2016-09-28 2018-06-08 百度（美国）有限责任公司 模拟自动驾驶车辆移动的物理模型和结合机器学习的方法
CN108237918A (zh) * 2016-12-23 2018-07-03 三星电子株式会社 车辆及其控制方法
WO2018139993A1 (en) * 2017-01-24 2018-08-02 Ford Global Technologies, Llc Feedback for an autonomous vehicle
CN108437997A (zh) * 2018-03-12 2018-08-24 北京汽车研究总院有限公司 一种驾驶信息分享方法、装置、车辆及网络服务器

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3622744B2 (ja) 2001-11-15 2005-02-23 株式会社デンソー 車両の走行制御装置
DE102010014565B4 (de) * 2010-04-10 2021-10-14 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren zur Erkennung eines Fahrwiderstandes eines Kraftfahrzeugs
KR101703163B1 (ko) 2011-03-22 2017-02-07 한국전자통신연구원 차량의 복합 고장을 예측하기 위한 장치 및 방법
KR101306149B1 (ko) * 2011-12-01 2013-09-10 동의대학교 산학협력단 Ｅｄｒ과 차량진단기능이 내장된 운행정보 확인 장치 및 그의 데이터 처리 방법
DE102012203733B3 (de) 2012-03-09 2013-12-19 Ford Global Technologies, Llc Verfahren und Vorrichtung zum autonomen Bremsen eines Kraftfahrzeugs nach einer Erstkollision
KR20140147298A (ko) 2013-06-19 2014-12-30 주식회사 제노보 디지털 운행기록 장치
US9898759B2 (en) * 2014-03-28 2018-02-20 Joseph Khoury Methods and systems for collecting driving information and classifying drivers and self-driving systems
CN118816908A (zh) * 2015-02-10 2024-10-22 御眼视觉技术有限公司 用于自主车辆导航的稀疏地图
JP6074553B1 (ja) * 2015-04-21 2017-02-01 パナソニックＩｐマネジメント株式会社 情報処理システム、情報処理方法、およびプログラム
KR20160144597A (ko) 2015-06-09 2016-12-19 주식회사 만도 차량용 진단통신 시스템 및 그의 데이터 보안방법
US10706642B2 (en) * 2015-09-24 2020-07-07 Ford Global Technologies, Llc Efficient telematics data upload
KR101710982B1 (ko) 2015-10-14 2017-02-28 국민대학교산학협력단 컴퓨터 수행 가능한 운전자 의도 판단 방법, 이를 수행하는 장치 및 이를 저장하는 기록매체
KR102137213B1 (ko) * 2015-11-16 2020-08-13 삼성전자 주식회사 자율 주행을 위한 모델 학습 장치 및 방법과 자율 주행 장치
EP3435296A4 (en) * 2016-03-25 2019-07-03 Sony Corporation INFORMATION PROCESSING DEVICE
US10202127B2 (en) 2016-05-19 2019-02-12 Toyota Jidosha Kabushiki Kaisha User profile-based automatic parameter tuning system for connected vehicles
US10139823B2 (en) * 2016-09-13 2018-11-27 Toyota Motor Engineering & Manufacturing North America, Inc. Method and device for producing vehicle operational data based on deep learning techniques
EP3485337B1 (en) * 2016-09-23 2020-10-21 Apple Inc. Decision making for autonomous vehicle motion control
KR102013372B1 (ko) 2016-10-18 2019-08-23 동국대학교 산학협력단 영상 특징맵 생성 장치 및 방법
US20180129900A1 (en) * 2016-11-04 2018-05-10 Siemens Healthcare Gmbh Anonymous and Secure Classification Using a Deep Learning Network
KR102819289B1 (ko) * 2016-12-14 2025-06-11 삼성전자주식회사 영상에 포함된 도로와 관련된 정보를 결정하는 뉴럴 네트워크를 학습시키는 학습 데이터를 생성하는 장치 및 방법
WO2018139871A1 (en) * 2017-01-27 2018-08-02 Samsung Electronics Co., Ltd. Method, electronic apparatus, and system of sharing vehicle performance information among vehicles
KR20180097247A (ko) * 2017-02-23 2018-08-31 주식회사 만도 사용자 친화적 차량 제어 시스템 및 방법
US10474157B2 (en) * 2017-06-06 2019-11-12 Baidu Usa Llc Data-based control error detection and parameter compensation system
US10671082B2 (en) * 2017-07-03 2020-06-02 Baidu Usa Llc High resolution 3D point clouds generation based on CNN and CRF models
US11080537B2 (en) * 2017-11-15 2021-08-03 Uatc, Llc Autonomous vehicle lane boundary detection systems and methods
US10586132B2 (en) * 2018-01-08 2020-03-10 Visteon Global Technologies, Inc. Map and environment based activation of neural networks for highly automated driving
WO2019161300A1 (en) * 2018-02-18 2019-08-22 Nvidia Corporation Detecting objects and determining confidence scores
WO2019168869A1 (en) * 2018-02-27 2019-09-06 Nvidia Corporation Real-time detection of lanes and boundaries by autonomous vehicles
US10836379B2 (en) * 2018-03-23 2020-11-17 Sf Motors, Inc. Multi-network-based path generation for vehicle parking
US10908609B2 (en) * 2018-04-30 2021-02-02 Toyota Research Institute, Inc. Apparatus and method for autonomous driving

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108139884A (zh) * 2016-09-28 2018-06-08 百度（美国）有限责任公司 模拟自动驾驶车辆移动的物理模型和结合机器学习的方法
CN108116409A (zh) * 2016-11-30 2018-06-05 三星电子株式会社 用于生成自主驾驶路线的方法和设备
CN108237918A (zh) * 2016-12-23 2018-07-03 三星电子株式会社 车辆及其控制方法
WO2018139993A1 (en) * 2017-01-24 2018-08-02 Ford Global Technologies, Llc Feedback for an autonomous vehicle
CN106652645A (zh) * 2017-03-16 2017-05-10 百度在线网络技术（北京）有限公司 车辆驾驶训练设备、车辆驾驶训练设备的操作方法和装置
CN107862346A (zh) * 2017-12-01 2018-03-30 驭势科技（北京）有限公司 一种进行驾驶策略模型训练的方法与设备
CN108437997A (zh) * 2018-03-12 2018-08-24 北京汽车研究总院有限公司 一种驾驶信息分享方法、装置、车辆及网络服务器

Also Published As

Publication number Publication date
CN111055842A (zh) 2020-04-24
KR102521657B1 (ko) 2023-04-14
US11550326B2 (en) 2023-01-10
KR20200046139A (ko) 2020-05-07
US20200117205A1 (en) 2020-04-16

Similar Documents

Publication Publication Date Title
CN111055842B (zh) 用于控制车辆的方法和装置
KR102682524B1 (ko) 증강 현실에서 가상 객체를 표시하기 위한 측위 방법 및 장치
US10268200B2 (en) Method and system to predict one or more trajectories of a vehicle based on context surrounding the vehicle
US10705536B2 (en) Method and system to manage vehicle groups for autonomous vehicles
US11042157B2 (en) Lane/object detection and tracking perception system for autonomous vehicles
US10891795B2 (en) Localization method and apparatus based on 3D color map
CN111357021B (zh) 用于将自主车辆与乘车者匹配的系统和方法
Sivaraman et al. Dynamic probabilistic drivability maps for lane change and merge driver assistance
US11604075B2 (en) Systems and methods for deriving planned paths for vehicles using path priors
US12229982B2 (en) Offline optimization of sensor data for agent trajectories
US10730531B1 (en) Machine-learning based vehicle motion control system
US20180143644A1 (en) Method and system to predict vehicle traffic behavior for autonomous vehicles to make driving decisions
US20170359561A1 (en) Disparity mapping for an autonomous vehicle
CN111507369B (zh) 自动行驶车辆空间学习方法及装置、测试方法及装置
CN111062405B (zh) 训练图像识别模型的方法和装置以及图像识别方法和装置
CN108391429A (zh) 用于自主车辆速度跟随的方法和系统
US11961241B2 (en) Systems and methods for deriving an agent trajectory based on tracking points within images
CN115943440A (zh) 用于检测对物体识别系统的投影攻击的系统和方法
CN116420058A (zh) 替代自主车辆数据
CN114945952A (zh) 使用神经网络从相机图像和已知深度数据生成深度
US20240265707A1 (en) Systems and methods for deriving an agent trajectory based on multiple image sources
CN111874007A (zh) 基于知识与数据驱动的无人车分层决策方法、系统、装置
KR20210022941A (ko) Slam을 구현하는 방법 및 전자 장치
CN114663503B (zh) 从图像进行三维位置预测
US12260759B2 (en) Parking spot identification and annotation

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
GR01 Patent grant
GR01 Patent grant