[go: up one dir, main page]

CN114743175A - 自动驾驶道路边界构建方法、系统、车辆及存储介质 - Google Patents

自动驾驶道路边界构建方法、系统、车辆及存储介质 Download PDF

Info

Publication number
CN114743175A
CN114743175A CN202210297136.8A CN202210297136A CN114743175A CN 114743175 A CN114743175 A CN 114743175A CN 202210297136 A CN202210297136 A CN 202210297136A CN 114743175 A CN114743175 A CN 114743175A
Authority
CN
China
Prior art keywords
boundary
point cloud
curve
vehicle
road
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
Application number
CN202210297136.8A
Other languages
English (en)
Inventor
王月强
贺勇
孔周维
丁可
闫新庆
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.)
Chongqing Changan Automobile Co Ltd
Original Assignee
Chongqing Changan Automobile 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 Chongqing Changan Automobile Co Ltd filed Critical Chongqing Changan Automobile Co Ltd
Priority to CN202210297136.8A priority Critical patent/CN114743175A/zh
Publication of CN114743175A publication Critical patent/CN114743175A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Automation & Control Theory (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开的一种自动驾驶道路边界构建方法、系统、汽车及存储介质，包括：步骤1.车辆处于点火状态，传感器信号正常输出，车辆行驶在结构化道路上；步骤2.可用点云筛选；步骤3.点云跟踪；步骤4.点云聚类；步骤5.边界曲线拟合；步骤6.边界曲线滤波；步骤7.边界曲线跟踪，并输出边界曲线。本发明通过对毫米波雷达点云，摄像头可行驶区域点云，或者激光雷达点云进行处理，从中提取出道路边界。

Description

自动驾驶道路边界构建方法、系统、车辆及存储介质
技术领域
本发明涉及自动驾驶技术领域，具体涉及一种自动驾驶道路边界构建方法、系统、车辆及存储介质。
背景技术
随着科技的进步，人民生活水平的提高，能显著降低驾驶疲劳，提升交通安全性的自动驾驶技术得到蓬勃的发展，越来越多的汽车开始搭载能够自主控制车辆横向、纵向运动的先进辅助驾驶系统或者自动驾驶系统。汽车在结构化道路上自动驾驶过程中，识别出道路边界，保证车辆在道路内行驶，避免冲出道路边界或者与道路边界碰撞，对于自动驾驶的安全性尤为重要。
然而，与车辆,行人，车道线等可以直接通过传感器识别的目标不同，结构化道路的道路边界往往是多种多样的，可能是金属护栏，水泥护栏，路沿，水马围栏，锥桶等不同形式，使得传感器无法直接给出道路边界信息。基于机器视觉的语义分割与机器学习等人工智能技术虽然可以提取出一定的突出物边界作为可行驶区域，用于辅助判断道路边界，但是，现实驾驶环境中无尽的道路边界场景，人工智能的训练，受限于训练数据集的有限性，无法保证给出的可行驶区域可以覆盖全部驾驶场景。另外，由单一传感器获取道路边界，本身就会有功能安全风险，违背自动驾驶系统设计原则。
因此，有必要开发一种自动驾驶道路边界构建方法、系统、车辆及存储介质。
发明内容
本发明的目的是提供一种自动驾驶道路边界构建方法、系统、车辆及存储介质，通过对毫米波雷达点云，摄像头可行驶区域点云，或者激光雷达点云进行处理，从中提取出道路边界。
第一方面，本发明所述的一种自动驾驶道路边界构建方法，包括以下步骤：
步骤1.车辆处于点火状态，传感器信号正常输出，车辆行驶在结构化道路上；
步骤2.可用点云筛选：对毫米波雷达点云，摄像头可行驶区域点云，或者激光雷达点云进行筛选，筛选出预设范围内的点云；
步骤3.点云跟踪：对步骤2中筛选出的不同时刻检测到的可用点云进行跟踪，将其坐标转换为同一坐标系下；
步骤4.点云聚类：对步骤3中多个周期的可用点云进行聚类，筛选出具有道路边界特征的点云，并分类为左侧边界点、右侧边界点，以及非边界点；
步骤5.边界曲线拟合：对步骤4中聚类出的左侧边界点、右侧边界点分别进行拟合，给出道路边界的系数和长度；
步骤6.边界曲线滤波：对步骤5中拟合出的边界曲线进行滤波；
步骤7.边界曲线跟踪：对步骤6滤波好的边界曲线进行跟踪，转换到车辆坐标系下，并输出边界曲线。
可选地，所述步骤7中，将边界曲线输入给步骤4中，辅助点云聚类。
可选地，所述步骤4中，聚类算法采用K-Means、DBSCAN和GMM中的任一种。
可选地，所述步骤5中，拟合算法采用最小二乘法，或采用多项式插值法。
可选地，所述步骤6中，采用卡尔曼滤波、均值滤波和低通滤波中的任一种对曲线进行滤波。
第二方面，本发明所述的一种自动驾驶道路边界构建系统，包括存储器和控制器，所述存储器内存储有计算机可读程序，所述计算机可读程序被控制器调用时能执行如本发明所述的自动驾驶道路边界构建方法的步骤。
第三方面，本发明所述的一种汽车，采用如本发明所述的自动驾驶道路边界构建系统。
第四方面，本发明所述的一种存储介质，其内存储有计算机可读程序，所述计算机可读程序被调用时，能执行如本发明所述的自动驾驶道路边界构建方法的步骤。
本发明具有以下优点：通过对毫米波雷达点云，摄像头可行驶区域点云，或者激光雷达点云进行处理，从中提取出道路边界，并输出给算法的下游用于轨迹规划、速度规划和安全报警，能够提高自动驾驶的安全性。
附图说明
图1为本实施例的流程图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，本实施例中，一种自动驾驶道路边界构建方法，包括以下步骤：
步骤1.车辆处于点火状态，传感器信号正常输出，车辆行驶在结构化道路上；
步骤2.可用点云筛选：对毫米波雷达点云，摄像头可行驶区域点云，或者激光雷达点云进行筛选，筛选出预设范围内的可用点云；
步骤3.点云跟踪：对步骤2中筛选出的不同时刻检测到的可用点云进行跟踪，将其坐标转换为同一坐标系下；
步骤4.点云聚类：对步骤3中多个周期的可用点云进行聚类，筛选出具有道路边界特征的点云，并分类为左侧边界点、右侧边界点，以及非边界点。本实施例中，聚类算法采用K-Means、DBSCAN和GMM中的任一种；
步骤5.边界曲线拟合：对步骤4中聚类出的左侧边界点、右侧边界点分别进行拟合，给出道路边界的系数和长度。本实施例中，拟合算法采用最小二乘法，或采用多项式插值法；
步骤6.边界曲线滤波：对步骤5中拟合出的边界曲线进行滤波；本实施例中，采用卡尔曼滤波、均值滤波和低通滤波中的任一对曲线进行滤波；
步骤7.边界曲线跟踪：对步骤6滤波好的边界曲线进行跟踪，转换到车辆坐标系下，并输出边界曲线，用于轨迹规划、速度规划和安全报警等，同时将边界曲线输入给步骤4中，辅助点云聚类。
下面以基于车辆前毫米波雷达与前视摄像头点云融合的道路边界提取为例，对道路边界构建的具体实施方式进行说明：
步骤1.车辆处于点火状态，传感器信号正常输出，车辆行驶在结构化道路上。
步骤2.可用点云筛选：对于前视摄像头选择分类为静态障碍物，路沿，护栏，水马围栏，锥形桶等可能是道路边界构成元素的点云，并且点云的横向位置在左右一定距离内(通常为左右3个车道宽度范围内的点，如车辆左右15m内)，纵向位置在前后一定距离内的点(前方一般不超过5倍时距，并在传感器有效范围内的点，如车辆前方80m，后方40m)。对于前毫米波雷达的点云，选择静态点云(比如速度小于2m/s的点云)，并且点云的横向位置在左右一定距离内(通常为左右3个车道宽度范围内的点，如车辆左右15m内)，纵向位置在前后一定距离内的点(前方一般不超过5倍时距，并在传感器有效范围内的点，比如车辆前方80m，后方一般不超过40m内)。
步骤3.点云跟踪：对步骤2中筛选出的不同时刻检测到的可用点云进行跟踪，将其坐标转换为当前车身坐标系下，转换方法采用自行车模型进行航迹推移，将上个周期获得的可用点云，转换到当前车身坐标系下：
Dx＝V*T
Dh＝ω*T
X(t)＝X(t-1)-Dx
Figure BDA0003563898890000031
式中，Dx为一个运算周期汽车在X方向位移量，V为车速，T为运算周期，ω为汽车横摆角速度，Dh为汽车横摆角度，X(t)为点云在车身坐标系下t时刻的X轴坐标，X(t-1)为点云在车身坐标系下t-1时刻的X轴坐标；Y(t)为点云在车身坐标系下t时刻的Y轴坐标，Y(t-1)为点云在车身坐标系下t-1时刻的Y轴坐标。
步骤4.点云聚类：对步骤3中多个周期的可用点云进行聚类，筛选出具有道路边界特征的点云，聚类算法选择K-Means算法，如果已有边界曲线输出，则直接向前一周期拟合出的边界曲线作为K-Means算法的中心对周围点云进行聚类，筛选出左侧边界点，右侧边界点，以及非边界点；如果还没有边界曲线，则直接对左右车辆左侧点云，右侧点云进行拟合，拟合出曲线作为K-Means算法的中心，并循环该步骤，直至K-Means拟合曲线系数收敛。
步骤5.边界曲线拟合：对步骤4中聚类出的左右边界点，分别进行拟合(比如采用最小二乘法拟合曲线)，给出道路边界的曲线系数，进一步，边界拟合用的最远点的距离即为边界曲线长度。
步骤6.边界曲线滤波：对步骤5中拟合出的边界曲线进行滤波，以提高曲线系数的稳定性，如采用经典卡尔曼滤波算法，对曲线系数进行滤波，状态传递矩阵由车辆运动学模型(如自行车模型)和约束曲率变换率为常量给出，滤波用的系统过程协方差和测量噪声协方差，可根据实际工程需要进行调节。
步骤7.边界曲线跟踪：对步骤6滤波好的边界曲线进行跟踪，转换到车辆坐标系下，并输出边界曲线给算法的下游，用于轨迹规划，速度规划，安全报警等，并可输入给步骤4中，辅助点云聚类。
本方法针对具有ADAS或AD功能的车辆，运行场景主要是结构化道路场景(包括高速路，城市快速路，城市道路等)，其功能包括车辆横向控制，纵向控制，前方安全预警等功能的至少一种。通过对毫米波雷达点云，摄像头可行驶区域点云，或者激光雷达点云的处理，从中提取出道路边界，为自动驾驶车辆的规划控制提供约束，并为前方安全报警功能提供信息，能够提高自动驾驶的安全性。
本实施例中，一种自动驾驶道路边界构建系统，包括存储器和控制器，所述存储器内存储有计算机可读程序，所述计算机可读程序被控制器调用时能执行如本实施例中所述的自动驾驶道路边界构建方法的步骤。
本实施例中，一种汽车，采用如本实施例中所述的自动驾驶道路边界构建系统。
本实施例中，一种存储介质，其内存储有计算机可读程序，所述计算机可读程序被调用时，能执行如本实施例中所述的自动驾驶道路边界构建方法的步骤。

Claims (8)

1.一种自动驾驶道路边界构建方法，其特征在于，包括以下步骤：
步骤1.车辆处于点火状态，传感器信号正常输出，车辆行驶在结构化道路上；
步骤2.可用点云筛选：对毫米波雷达点云，摄像头可行驶区域点云，或者激光雷达点云进行筛选，筛选出预设范围内的可用点云；
步骤3.点云跟踪：对步骤2中筛选出的不同时刻检测到的可用点云进行跟踪，将其坐标转换为同一坐标系下；
步骤4.点云聚类：对步骤3中多个周期的可用点云进行聚类，筛选出具有道路边界特征的点云，并分类为左侧边界点、右侧边界点，以及非边界点；
步骤5.边界曲线拟合：对步骤4中聚类出的左侧边界点、右侧边界点分别进行拟合，给出道路边界的系数和长度；
步骤6.边界曲线滤波：对步骤5中拟合出的边界曲线进行滤波；
步骤7.边界曲线跟踪：对步骤6滤波好的边界曲线进行跟踪，转换到车辆坐标系下，并输出边界曲线。
2.根据权利要求1所述的自动驾驶道路边界构建方法，其特征在于：所述步骤7中，将边界曲线输入给步骤4中，辅助点云聚类。
3.根据权利要求1或2所述的自动驾驶道路边界构建方法，其特征在于：所述步骤4中，聚类算法采用K-Means、DBSCAN和GMM中的任一种。
4.根据权利要求3所述的自动驾驶道路边界构建方法，其特征在于：所述步骤5中，拟合算法采用最小二乘法，或采用多项式插值法。
5.根据权利要求1或2或4所述的自动驾驶道路边界构建方法，其特征在于：所述步骤6中，采用卡尔曼滤波、均值滤波和低通滤波中的任一种对曲线进行滤波。
6.一种自动驾驶道路边界构建系统，其特征在于：包括存储器和控制器，所述存储器内存储有计算机可读程序，所述计算机可读程序被控制器调用时能执行如权利要求1至5任一所述的自动驾驶道路边界构建方法的步骤。
7.一种汽车，其特征在于：采用如权利要求6所述的自动驾驶道路边界构建系统。
8.一种存储介质，其特征在于：其内存储有计算机可读程序，所述计算机可读程序被调用时，能执行如权利要求1至5任一所述的自动驾驶道路边界构建方法的步骤。
CN202210297136.8A 2022-03-24 2022-03-24 自动驾驶道路边界构建方法、系统、车辆及存储介质 Pending CN114743175A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210297136.8A CN114743175A (zh) 2022-03-24 2022-03-24 自动驾驶道路边界构建方法、系统、车辆及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210297136.8A CN114743175A (zh) 2022-03-24 2022-03-24 自动驾驶道路边界构建方法、系统、车辆及存储介质

Publications (1)

Publication Number Publication Date
CN114743175A true CN114743175A (zh) 2022-07-12

Family

ID=82277162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210297136.8A Pending CN114743175A (zh) 2022-03-24 2022-03-24 自动驾驶道路边界构建方法、系统、车辆及存储介质

Country Status (1)

Country Link
CN (1) CN114743175A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115235497A (zh) * 2022-07-20 2022-10-25 阿维塔科技(重庆)有限公司 路径规划方法、装置、汽车及存储介质
CN117649583A (zh) * 2024-01-30 2024-03-05 科大国创合肥智能汽车科技有限公司 一种自动驾驶车辆行驶实时道路模型融合方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020154967A1 (en) * 2019-01-30 2020-08-06 Baidu.Com Times Technology (Beijing) Co., Ltd. Map partition system for autonomous vehicles
CN112415538A (zh) * 2020-11-16 2021-02-26 重庆长安汽车股份有限公司 自动驾驶车辆绕行锥形筒的规划方法、系统及车辆
CN113468922A (zh) * 2020-03-31 2021-10-01 郑州宇通客车股份有限公司 一种基于雷达点云的道路边界识别方法及装置
CN113591618A (zh) * 2021-07-14 2021-11-02 重庆长安汽车股份有限公司 前方道路形状估算方法、系统、车辆及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020154967A1 (en) * 2019-01-30 2020-08-06 Baidu.Com Times Technology (Beijing) Co., Ltd. Map partition system for autonomous vehicles
CN113468922A (zh) * 2020-03-31 2021-10-01 郑州宇通客车股份有限公司 一种基于雷达点云的道路边界识别方法及装置
CN112415538A (zh) * 2020-11-16 2021-02-26 重庆长安汽车股份有限公司 自动驾驶车辆绕行锥形筒的规划方法、系统及车辆
CN113591618A (zh) * 2021-07-14 2021-11-02 重庆长安汽车股份有限公司 前方道路形状估算方法、系统、车辆及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115235497A (zh) * 2022-07-20 2022-10-25 阿维塔科技(重庆)有限公司 路径规划方法、装置、汽车及存储介质
CN117649583A (zh) * 2024-01-30 2024-03-05 科大国创合肥智能汽车科技有限公司 一种自动驾驶车辆行驶实时道路模型融合方法
CN117649583B (zh) * 2024-01-30 2024-05-14 科大国创合肥智能汽车科技有限公司 一种自动驾驶车辆行驶实时道路模型融合方法

Similar Documents

Publication Publication Date Title
CN111278707B (zh) 控制具有自动驾驶模式的车辆的方法和系统
EP3490859B1 (en) Determining drivability of objects for autonomous vehicles
US9435885B2 (en) Road-terrain detection method and system for driver assistance systems
Apostoloff et al. Robust vision based lane tracking using multiple cues and particle filtering
US9767368B2 (en) Method and system for adaptive ray based scene analysis of semantic traffic spaces and vehicle equipped with such system
US20170329332A1 (en) Control system to adjust operation of an autonomous vehicle based on a probability of interference by a dynamic object
CN110015293B (zh) 限界区域和运动路径的低维度求取
EP3048023A1 (en) Method for assisting a driver in driving an ego vehicle and corresponding driver assistance system
CN110843789A (zh) 一种基于时序卷积网络的车辆换道意图预测方法
Zhang et al. A framework for turning behavior classification at intersections using 3D LIDAR
Tumen et al. Recognition of road type and quality for advanced driver assistance systems with deep learning
US11294386B2 (en) Device and method for determining U-turn strategy of autonomous vehicle
CN114743175A (zh) 自动驾驶道路边界构建方法、系统、车辆及存储介质
CN111238517A (zh) 用于无人驾驶车辆的路径轨迹的生成方法和生成系统
US20240262350A1 (en) Safety filter with preview data to improve the safety of steer commands
KR20210005393A (ko) 자율주행차량의 유턴 제어 장치 및 그 방법
Beresnev et al. Automated Driving System based on Roadway and Traffic Conditions Monitoring.
Megalingam et al. Dynamic Lane Segmentation for Autonomous Vehicles Using Neural Networks
Memon et al. Self-driving car using lidar sensing and image processing
Sonata et al. Street View Object Detection for Autonomous Car Steering Angle Prediction Using Convolutional Neural Network
Panda et al. RECENT DEVELOPMENTS IN LANE DEPARTURE WARNING SYSTEM: AN ANALYSIS
JP7143538B2 (ja) 運転支援装置および運転支援方法
KR102761764B1 (ko) 잠재적 주행 경로 침범 차량 검출 장치 및 그 방법
Hadke et al. Review Paper Real Time Road Lane Detection
Perić et al. Application of Convolutional Neural Networks for road type classification

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