找到2项技术成果数据。
找技术>-
一种基于智能手机传感器的车道检测方法
成熟度:正在研发
技术类型:发明
应用行业:制造业
技术简介
本发明公开了一种基于智能手机的车道检测方法,包括采样阶段和定位匹配阶段。采样阶段包括训练数据的采集、旋转矩阵R的获取以及目标车道对应阈值的获取,在已知的行驶路径上采集手机的三轴加速度传感器数据和陀螺仪数据,获得车辆的向心加速度和角速度及其半径‑时间特性曲线,阈值的选取为对应目标车道的半径的最大值;将车道与阈值的对应关系上传至服务器。定位匹配阶段将获得的半径‑时间特性曲线中半径的最大值与采样模块获得的车道与阈值的对应关系相匹配,确定目标车道。本发明不需要在车辆中添置额外的硬件设备,仅需要利用智能手机中的传感器就能实现,因此具有成本低、易普及的优势。
-
基于深度混合网络的连续多帧驾驶场景的鲁棒车道检测方法
成熟度:正在研发
技术类型:-
应用行业:信息传输、软件和信息技术服务业
技术简介
提出了基于自编解码器(Masked Autoencoders,MAE)网络架构的 ST-MAE网络,在一定程度上降低了基于连续多帧图像序列的车道检测 的计算成本;在ST-MAE网络中采用了“掩码”技术在处理大规模图像 任务方面相比较其他混合神经网络具有巨大优势;使用了ST-LSTM,实 现以多个连续帧构建时间序列,同时实现以端到端方式训练网络和时间 序列数据的特征提取的功能。 实验基于TuSimple数据集进行。结果表明:对于简单场景,验证准 确度为98。19%,测试准确度为98。07%,精确性为0。898。对于复杂场景, 验证准确度为97。94%,测试准确度为97。87%,精确性为0。876。运行时间 为5。7ms。实验基于CULane数据集进行。结果表明,对于简单场景,验 证准确度为97。86%,测试准确度为97。35%,精确性为0。868。对于复杂场 景,验证准确度为97。57%,测试准确度为97。24%,精确性为0。849。运行 时间为6。9ms。