CN113587941A - 高精度地图的生成方法、定位方法及装置 - Google Patents
高精度地图的生成方法、定位方法及装置 Download PDFInfo
- Publication number
- CN113587941A CN113587941A CN202010368565.0A CN202010368565A CN113587941A CN 113587941 A CN113587941 A CN 113587941A CN 202010368565 A CN202010368565 A CN 202010368565A CN 113587941 A CN113587941 A CN 113587941A
- Authority
- CN
- China
- Prior art keywords
- information
- target
- radar
- vehicle
- determining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 112
- 230000010287 polarization Effects 0.000 claims abstract description 325
- 239000000463 material Substances 0.000 claims description 98
- 238000012545 processing Methods 0.000 claims description 45
- 238000004891 communication Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 20
- 230000003068 static effect Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 56
- 230000006870 function Effects 0.000 description 34
- 238000009825 accumulation Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 21
- 230000000903 blocking effect Effects 0.000 description 17
- 230000000694 effects Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 12
- 238000003384 imaging method Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 230000002829 reductive effect Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 230000036961 partial effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 2
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000005571 horizontal transmission Effects 0.000 description 2
- 230000028161 membrane depolarization Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000005570 vertical transmission Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3848—Data obtained from both position sensors and additional sensors
-
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
- G01S13/583—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets
- G01S13/584—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets adapted for simultaneous range and velocity measurements
-
- 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
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/024—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using polarisation effects
- G01S7/025—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using polarisation effects involving the transmission of linearly polarised waves
-
- 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
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
-
- 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
- G01S2013/9322—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles using additional data, e.g. driver condition, road state or weather data
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
- Instructional Devices (AREA)
Abstract
一种高精度地图的生成方法、定位方法及装置,用以提高高精度地图在特殊环境下定位的准确度。其中,高精度地图的生成方法包括:获取测量装置的雷达传感器采集的目标极化信息,所述目标极化信息用于描述目标边界信息和目标属性信息;根据所述目标极化信息和所述测量装置的定位信息,确定雷达特征图层;根据所述雷达特征图层,生成高精度地图。
Description
技术领域
本申请实施例涉及智能网联车技术领域,尤其涉及一种高精度地图的生成方法、定位方法及装置。
背景技术
随着城市车辆的越来越多,交通也变得越来越拥挤,为了容纳日益增涨的车流量,城市道路的设计越来越复杂。而通过GNSS定位获得的车辆的定位方式可能无法满足自动驾驶部分细分场景下的驾驶要求,例如,在隧道、地道、高架等场景下采用GNSS定位,GNSS的定位容易产生漂移,同时还有一定概率无法获得GNSS的定位信号,导致无法实现自动驾驶等场景下的驾驶要求。
基于此,目前还有通过基于摄像头的同时定位与地图构建(simultaneouslocalization and mapping,SLAM)技术对车辆进行定位的方式,其主要原理是通过摄像头在没有环境先验信息的情况下,于运动过程中建立环境的模型,同时估计车辆的运动。
但是,上述方式过于依赖摄像头,当天气条件较为恶劣,例如,能见度较低或道路中的物体有落叶覆盖或遮挡时,无法通过摄像头拍摄到有效的环境信息,以实现定位,可靠性较低,同时,上述方式的定位精度也较低。
发明内容
本申请实施例提供一种高精度地图的生成方法、定位方法及装置,用以提高车辆的定位效果。
本申请实施例提供的具体技术方案如下:
第一方面,提供一种高精度地图的生成方法,该方法的执行主体可以是具有测量装置的车辆,也可以是具有雷达传感器的测量功能的测量装置,也可以是地图服务器。该方法的具体步骤包括:获取测量装置的雷达传感器采集的目标极化信息,所述目标极化信息用于描述目标边界信息和目标属性信息;根据所述目标极化信息和所述测量装置的定位信息,确定雷达特征图层;根据所述雷达特征图层,生成高精度地图。
通过上述方法,根据雷达传感器采集的目标极化信息所描述的目标边界信息和目标属性信息,从而在部分细分场景下可以更好的标识目标,进而,根据雷达传感器采集的目标极化信息生成的雷达特征图层及高精度地图,该高精度地图可以应用在部分细分场景下的定位,提高高精度地图的可靠性。
一种可能的实现方式,获取测量装置的雷达传感器采集的回波信号的极化信息;根据所述极化信息,确定目标的边界特征和目标的材质特征;根据所述目标的边界特征和目标的材质特征,确定所述目标极化信息。
通过上述方法,可以根据雷达传感器采集的回波信号的极化信息,确定目标的边界特征和目标的材质特征,由此生成的目标极化信息可以更好的为部分细分场景下的目标识别提供更有效的信息,从而提高高精度地图的可靠性。
一种可能的实现方式,获取所述测量装置的雷达传感器采集的目标多普勒信息;根据所述目标多普勒信息确定所述目标极化信息中静止目标的极化信息;根据所述静止目标的极化信息和所述测量装置的定位信息,确定所述雷达特征图层。
通过上述方法,可以通过测量装置的雷达传感器采集的目标多普勒信息,确定静止目标,从而对目标极化信息进行筛选,排除非静止目标的目标极化信息对雷达特征图层的干扰,可以有效提高高精度地图应用于车辆定位时的匹配效率,降低应用高精度地图定位的设备的处理能力的要求。同时,还可以降低雷达特征图层在高精度地图中所占用的存储空间,降低存储高精度地图的设备的存储要求,从而提高高精度地图的性能。
一种可能的实现方式,所述目标边界信息包括以下至少一项:道路在不同环境下的边界信息、道路净空在不同环境下的边界信息或路边物体在不同环境下的边界信息;所述目标属性信息包括以下至少一项:道路边界在不同环境下的材质信息、道路净高在不同环境下的材质信息或路边物体在不同环境下的材质信息。
通过上述方法,可以实现本申请中的高精度地图用于识别在不同环境下的目标。例如,识别在不同环境下的道路的材质及道路的边界,从而本申请中的高精度地图可以应用于在不同环境下的(例如车道遮挡,或无车道线等场景下)车辆的导航及车辆的定位。或者,通过高精度地图,用于识别路边物体在不同环境下的边界及材质,从而本申请中的高精度地图可以应用于在不同环境下的(例如特殊天气,落叶遮挡道路、积水、积雪天气等场景下)车辆的导航及车辆的定位。还可以用于识别在不同环境下的道路净高,从而本申请中的高精度地图可以应用于在隧道、地道、高架等场景下难以采用GNSS定位或其他传感器难以实现定位时的车辆的导航及车辆的定位。
一种可能的实现方式,根据所述雷达传感器采集的目标极化信息中特征值大于第一特征阈值的目标极化信息和所述测量装置的定位信息,确定雷达特征图层;所述特征值包括以下至少一项:距离、水平角、俯仰角、目标多普勒信息、目标反射功率或测角精度。
通过上述方法,可以通过测量装置的雷达传感器采集的目标极化信息的特征值,对目标极化信息进行筛选,排除质量较差目标极化信息的对雷达特征图层的干扰,可以有效提高高精度地图应用于车辆定位时的匹配性能和匹配效率,降低应用高精度地图定位的设备的处理能力的要求。同时,还可以降低雷达特征图层在高精度地图中所占用的存储空间,降低存储高精度地图的设备的存储要求,从而提高高精度地图的性能。
一种可能的实现方式,根据所述目标极化信息和所述测量装置的定位信息,确定所述目标极化信息的权重;根据所述权重和所述目标极化信息,确定在所述雷达特征图层中所述定位信息对应的地图位置上的雷达特征信息;所述地图位置上的雷达特征信息用于为车辆提供定位信息。
通过上述方法,可以通过测量装置的雷达传感器采集的多个目标极化信息及对应的权重,对多个目标极化信息进行融合,从而提高目标极化信息的准确度,可以有效提高高精度地图应用于车辆定位时的匹配性能。
第二方面,本申请实施例还提供了一种高精度地图生成装置,包括用于执行以上第一方面中各个步骤的单元,具体地,可以包括收发单元和处理单元。该高精度地图生成装置可以为执行上述第一方面的方法的具有测量装置的车辆,或者,可以为设置在车辆中的芯片。也可以是具有雷达传感器的测量功能的测量装置,或者,可以为设置在测量装置中的芯片。也可以是地图服务器,或者,可以为设置在地图服务器中的芯片。该高精度地图生成装置包括实现上述方法相应的模块、单元、或手段(means),该模块、单元、或means可以通过硬件实现,软件实现,或者通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块或单元。
第三方面,本申请提供一种高精度地图生成装置。该高精度地图生成装置可以包括处理器,用于实现上述第一方面描述的方法。该装置可以应用于地图服务器。示例性地,所述高精度地图生成装置为地图服务器,或者为设置在地图服务器中的芯片。其中,收发器例如通过地图服务器中的天线、馈线和编解码器等实现,或者,如果所述定位装置为设置在地图服务器中的芯片,那么接口电路例如为芯片中的通信接口,该通信接口与地图服务器中的射频收发组件连接,以通过射频收发组件实现信息的收发。该装置还可以应用于测量设备,例如,所述测量设备包括路边单元、路边单元内的测量装置、车或车内的测量装置。所述测量设备可以为路边单元,也可以是应用于路边单元中的芯片,也可以是路边单元内的测量装置,或者,应用于路边单元内的测量装置中的芯片,所述测量设备也可以为具有测量设备功能的车辆,应用于具有测量设备功能的车辆中的芯片,或者,所述装置也可以为包括有测量功能的测量装置的车辆,应用于具有测量设备功能的车辆中的芯片,或者是车载装置中具有测量设备功能的组合器件、部件,或者其他具有测量设备功能的组合器件、部件等。
所述装置还可以包括存储器,用于存储程序和指令。所述存储器与处理器耦合,所述处理器执行所述存储器中存储的程序指令时,可以实现上述第一方面描述的方法。所述装置还可以包括接口电路,所述接口电路用于该装置与其它设备进行通信,示例的,所述接口电路可以是收发器、电路、总线、模块或其它类型的接口电路。
第四方面,本申请提供一种定位方法,该方法的执行主体可以是车辆,所述车辆包括雷达传感器。还可以是地图服务器。该方法的具体步骤包括:获取雷达传感器在所述车辆当前行驶的道路上采集的目标极化信息,所述目标极化信息用于描述目标边界信息和目标属性信息;获取高精度地图的雷达特征图层;根据在所述车辆当前行驶的道路上采集的目标极化信息和所述雷达特征图层,确定与所述目标极化信息匹配的雷达特征图层中的雷达特征信息;根据所述雷达特征信息确定与所述雷达特征信息对应的定位信息;根据所述定位信息,确定所述车辆的位置。
通过上述方法,根据车辆的雷达传感器采集的目标极化信息,与雷达特征图层中的雷达特征信息进行匹配,从而在部分细分场景下可以更好的进行目标识别,提高与雷达特征图层中的雷达特征信息进行匹配的匹配精度,以此提高车辆在特殊场景下车辆的定位效果。
一种可能的实现方式,获取雷达传感器在车辆当前行驶的道路上采集的回波信号的极化信息;根据所述极化信息,确定目标的边界特征和目标的材质特征;根据所述目标的边界特征和目标的材质特征,确定所述目标极化信息。
通过上述方法,可以根据雷达传感器采集的回波信号的极化信息,确定目标的边界特征和目标的材质特征,由此生成的目标极化信息可以更好的为部分细分场景下的目标识别提供更有效的信息,从而提高与雷达特征图层中的雷达特征信息匹配的匹配度,从而提高在特殊场景下的定位效果。
一种可能的实现方式,根据所述目标极化信息,确定所述目标极化信息对应的目标的边界特征和材质特征;根据所述目标极化信息对应的目标的材质特征,确定所述目标所在的环境;根据所述目标所在的环境及所述目标的边界特征,确定与所述目标极化信息匹配的雷达特征图层中的雷达特征信息。
通过上述方法,可以确定目标的边界特征与目标的材质特征,从而更好的识别在不同环境下的目标,从而更好的确定与所述目标极化信息匹配的雷达特征图层中的雷达特征信息,以提高定位的效果。
一种可能的实现方式,根据与所述目标极化信息匹配的所述雷达特征图层的雷达特征信息,确定所述车辆所在的道路边界信息;根据所述车辆的位置及所述道路边界信息,为所述车辆规划导航路径。
通过上述方法,可以确定在不同环境下的道路的边界及材质,从而根据雷达特征图层中匹配的雷达特征信息,实现在不同环境下的(例如特殊天气,落叶遮挡道路、积水、积雪天气等场景下,在隧道、地道、高架等场景下)车辆的导航及车辆的定位,提高导航效果。
一种可能的实现方式,所述雷达特征图层包括不同环境下的雷达特征信息;根据所述目标所在的环境,确定所述目标被遮挡物遮挡;根据所述目标极化信息及所述雷达特征图层中存在遮挡物环境下的雷达特征信息,确定所述目标未被遮挡物遮挡下的边界特征;根据所述目标未被遮挡物遮挡下的边界特征,与雷达特征图层中的物体的雷达特征信息匹配。
通过上述方法,可以根据目标极化信息确定出未被遮挡物遮挡下的目标的边界特征,从而避免遮挡物对目标识别的影响,从而提高目标极化信息与雷达特征图层中的雷达特征信息匹配的效果,从而提高定位效果。
一种可能的实现方式,所述雷达特征图层包括不同环境下的雷达特征信息;根据所述目标所在的环境,确定所述目标被遮挡物遮挡;根据所述目标极化信息中目标的边界特征,与雷达特征图层中处于遮挡物环境的雷达特征信息匹配。
通过上述方法,可以避免遮挡物对目标识别的影响,从而提高目标极化信息与雷达特征图层中的雷达特征信息匹配的效果,从而提高定位效果。
一种可能的实现方式,所述雷达特征图层包括不同环境下的雷达特征信息;根据所述目标所在的环境,确定所述目标处于积水/积雪覆盖环境;根据所述目标极化信息及所述雷达特征图层中积水/积雪环境下的雷达特征信息,确定所述目标未被积水/积雪覆盖下的边界特征;根据所述目标未被积水/积雪覆盖下的边界特征,与雷达特征图层中的雷达特征信息匹配。
通过上述方法,可以根据积水/积雪覆盖下的目标,确定出无积水/积雪覆盖下的目标的边界特征,从而根据雷达特征图层中无积水/积雪覆盖下的目标的雷达特征信息进行匹配,降低积水/积雪覆盖对目标识别的影响,提高在积水/积雪覆盖环境下车辆定位的效果。
一种可能的实现方式,所述雷达特征图层包括不同环境下的雷达特征信息;根据所述目标所在的环境,确定所述目标处于积水覆盖环境;根据所述目标在积水覆盖下的边界特征,与雷达特征图层中处于积水覆盖环境的雷达特征信息匹配;或者,根据所述目标所在的环境,确定所述目标处于积雪覆盖环境;根据所述目标在积雪覆盖下的边界特征,与雷达特征图层中处于雪覆盖环境的雷达特征信息匹配。
通过上述方法,可以根据积水/积雪覆盖下的目标,确定出积水/积雪覆盖下的目标的边界特征,从而根据雷达特征图层包括不同环境下的雷达特征信息进行匹配,提高在积水/积雪覆盖环境下,车辆定位的效果。
第五方面,本申请实施例还提供了一种定位装置,包括用于执行以上第四方面中各个步骤的单元,具体地,可以包括收发单元和处理单元。该定位装置可以为执行上述第四方面的方法的具有雷达传感器的车辆,或者,可以为设置在车辆中的芯片。也可以是地图服务器,或者,可以为设置在地图服务器中的芯片。该定位装置包括实现上述方法相应的模块、单元、或手段(means),该模块、单元、或means可以通过硬件实现,软件实现,或者通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块或单元。
第六方面,本申请提供一种定位装置。该定位装置可以包括处理器,用于实现上述第四方面描述的方法。该装置可以应用于地图服务器。示例性地,所述定位装置为地图服务器,或者为设置在地图服务器中的芯片。其中,收发器例如通过地图服务器中的天线、馈线和编解码器等实现,或者,如果所述定位装置为设置在地图服务器中的芯片,那么接口电路例如为芯片中的通信接口,该通信接口与地图服务器中的射频收发组件连接,以通过射频收发组件实现信息的收发。该装置还可以为具有测量设备功能的车辆,应用于具有测量设备功能的车辆中的芯片,或者,所述装置也可以为包括有测量功能的测量装置的车辆,应用于具有测量设备功能的车辆中的芯片,或者是车载装置中具有测量设备功能的组合器件、部件,或者其他具有测量设备功能的组合器件、部件等。
所述装置还可以包括存储器,用于存储程序和指令。所述存储器与处理器耦合,所述处理器执行所述存储器中存储的程序指令时,可以实现上述第四方面描述的方法。所述装置还可以包括接口电路,所述接口电路用于该装置与其它设备进行通信,示例的,所述接口电路可以是收发器、电路、总线、模块或其它类型的接口电路。
第七方面,本申请实施例还提供了一种计算机程序,当计算机程序在计算机上运行时,使得计算机可以执行上述第一方面或第四方面提供的各种可能的方法。
第八方面,本申请实施例还提供了一种计算机存储介质,计算机存储介质中存储有计算机程序,当计算机程序被计算机执行时,使得计算机可以执行上述第一方面或第四方面提供的各种可能的方法。
第九方面,本申请实施例还提供了一种芯片,芯片用于读取存储器中存储的计算机程序,以执行上述第一方面或第四方面提供的各种可能的方法。芯片可以与存储器耦合。
第十方面,本申请实施例还提供了一种芯片系统,该芯片系统包括处理器,用于支持计算机装置实现上述第一方面或第四方面提供的各种可能的方法。在一种可能的设计中,芯片系统还包括存储器,存储器用于保存该计算机装置必要的程序和数据。该芯片系统可以由芯片构成,也可以包含芯片和其他分立器件。
第十一方面,本申请实施例还提供了一种定位系统,包括用户界面以及上述第二方面或第三方面中对应的高精度地图生成装置、上述第五方面或第六方面中的定位装置。
关于第二方面至第十一方面或各种可能的实施方式的技术效果,可参考对于第一方面或第四方面相应的实施方式的技术效果的介绍。
附图说明
图1为本申请实施例适用的一种应用场景的示意图;
图2a为传统的导航地图的示意图;
图2b为在传统导航地图基础上添加雷达特征图层的示意图;
图3为本申请实施例中的一种高精度地图的生成方法的流程示意图;
图4为高精度地图的示意图;
图5为本申请实施例提供的一种定位方法的流程示意图;
图6为本申请实施例提供的定位方法在常规道路应用中的示意图;
图7为本申请实施例提供的定位方法在没有车道线的弯道转弯场景下的导航应用的示意图;
图8为本申请实施例提供的定位方法在车道线被遮挡场景下的导航应用的示意图;
图9为本申请实施例提供的定位方法在路面积水场景下的导航应用的示意图;
图10为本申请实施例提供的定位方法在路面积雪场景下的导航应用的示意图;
图11为本申请实施例提供的高精度地图生成装置的结构示意图;
图12为本申请实施例提供的高精度地图生成装置的结构示意图;
图13为本申请实施例提供的定位装置的结构示意图;
图14为本申请实施例提供的定位装置的结构示意图。
具体实施方式
下面将结合附图,对本申请实施例进行详细描述。
本申请实施例提供的高精度地图的构建及应用方法,可以用于智能交通系统中。智能交通系统中的车辆可以应用高精度地图实现交通业务。应用场景可以为无人驾驶、自动驾驶、智能驾驶、网联驾驶等。还可以应用于ADAS等场景中,其中ADAS可以利用雷达感知车辆周围的环境,以提供盲点监测、变道辅助、碰撞预警、自适应巡航等方面的辅助。本申请实施例所述的交通业务可以是各种自动驾驶、辅助驾驶的业务,例如:路径规划、为人工驾驶提供行驶风险预警。以上交通业务仅是举例,本申请实施例提供的高精地图的构建及应用方法,为车辆与其他装置的通讯(vehicle to x,V2X)业务快速上线及持续更新提供了技术准备,V2X如车车通讯(vehicle to vehicle,V2V)、车路通讯(vehicle toinstallation,V2I)。
在自动驾驶和辅助驾驶中,智能车辆需要对周边的环境进行感知。有相对固定的目标,如车道线、交通标志牌等,有相对动态的目标,如车辆、行人目标等。对于不同的目标,可能需要设定不同更新频率来感知目标。针对不同目标可以通过不同的传感器来进行感知。例如,在智能车辆上,传感器可以包括毫米波雷达、摄像头和激光雷达等,其中,车辆可以通过毫米波雷达,获得目标与车辆间的相对位置或相对速度;通过摄像头可以在拍摄条件较好时对相对固定的目标进行分类识别。从而,车辆可以通过这些传感器对车辆周边的环境进行检测、分类,并将这些信息传输到规划和控制模块,形成对车辆未来行驶路径的决策,并最终通过执行器来执行,完成整个辅助驾驶或自动驾驶的过程。
以下,对本申请中的部分用语进行解释说明,以便于本领域技术人员理解。
1)定位设备,可以为具有无线连接功能的手持式设备、车载设备等。常见的定位设备可以为:车载雷达、手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(mobileinternet device,MID)、可穿戴设备,例如智能手表、智能手环、计步器等。本申请实施例中,定位设备还可以为具有GNSS定位功能的设备。
2)雷达传感器,可以为基于相控阵的毫米波雷达,可以为基于数字波束形成的毫米波雷达,可以为基于单天线的毫米波雷达,还可以为厘米波雷达,亚毫米波雷达,还可以是成像雷达,在此不做限定。
以毫米波雷达为例,工作在毫米波波段(波长为1~10mm),工作频率通常选在30~300GHz范围内。毫米波的波长介于厘米波和光波之间,因此毫米波兼有微波制导和光电制导的优点。同厘米波导引头相比,毫米波导引头具有体积小、质量轻和空间分辨率高的特点。毫米波雷达由于尺寸小、重量轻等特性,很好的弥补了如红外、激光、超声波、摄像头等其他传感器雷达在车载应用中所不具备的使用场景。
每个雷达传感器可以只发送信号,或者只接收信号,或者既发送信号也接收信号。雷达传感器可以安装在机动车辆(例如无人车、智能车、电动车、数字汽车等)、无人机、轨道车、自行车、信号灯、测速装置或网络设备(如各种系统中的基站、终端设备)等测量装置。本申请实施例中,雷达可以安装在移动设备上,例如安装在车辆上作为车载雷达,或者也可以安装在固定的设备上,例如安装在路侧单元(road side unit,RSU)等设备上,本申请实施例对此并不限定。应理解,雷达还可以称为雷达装置,也可以称为探测器、雷达装置或者雷达信号发送装置等,本申请实施例对其名称并不限定,为了描述方便,本文中均统称为雷达。其工作原理是通过发送发射信号,并接收该发射信号经过目标反射的反射信号,来检测相应的目标,具体过程可以参考现有技术中的描述,在此不再赘述。
3)点云数据是指在一个三维坐标系统中的一组向量的集合。这些向量通常以X、Y、Z三维坐标的形式表示,而且一般主要用来代表一个物体的外表面形状。不仅如此,除(X,Y,Z)代表的几何位置信息之外,点云数据还可以表示一个点的RGB颜色,灰度值,深度,分割结果等。本申请实施例中的点云数据可以由雷达传感器获取。
4)定位目标,可以为任意一种需要测量距离和/或速度的目标,可以为移动的物体,也可以为静止的物体。
下面结合附图进一步介绍本申请实施例提供的构建高精度地图及车辆定位方法。图1为本申请实施例提供的一种应用场景的示意图。如图1所示的车道行驶方向的指示信息,包括4个车道,其中左侧两个车道的行驶方向一致,右侧两个车道的车辆行驶方向一致。任意一个车辆可以是智能车或非智能车,本申请实施例对比不做限定。车辆上设置有传感器,该传感器用于探测车辆周边的目标,例如,障碍物、车道边界、车道线等目标,其中,传感器包括激光雷达、毫米波雷达和相机。为描述方便,本申请中提及的车道线可以是在路面上设置有突起部件的车道线,或者是设置有其他可以由雷达传感器探测到的装置,从而,雷达传感器可以根据突起部件或其他装置探测到车道线所在的位置及范围,进一步的,还可以根据导航地图中存储的车道的信息确定车道线的属性,例如车道线为实线或虚线,车道线为单线或双线等。
另外,每辆车可以设置一种或多种传感器,每种传感器的个数可以为一个或多个。传感器可以安装在车辆的顶部、具体可以设置在车辆顶部的中间位置,本申请实施例对每个车辆中传感器安装位置和数量并不做限定。本申请实施例中车辆可以基于车辆与外界无线通信技术(例如,vehicle to everything(V2X))与其它物体进行通信。例如,可以基于车辆间无线通信技术(例如,vehicle to vehicle(V2V))实现车辆与车辆之间的通信。车辆与其它物体之间进行通信可以基于无线高保真(例如,wireless fidelity(Wi-Fi))、第五代(5th generation,5G)移动通信技术等进行通信。例如,可以基于5G实现车辆与智能设备(如支持定位功能的智能手机或移动设备)之间的通信。
图1所示的应用场景中还可以包括云端的地图服务器,地图服务器可以由云端的服务器或虚拟机实现。以图1所示的场景中传感器为雷达传感器,测量装置为车辆为例,车辆的传感器的预设区域如图1中虚线框圆圈所示,以车辆为中心,以预设距离为半径的区域。该预设距离可以是小于或等于车辆A所发出的雷达信号的覆盖范围的半径的一个值。通过车辆的传感器可以确定预设范围内的目标的雷达特征信息,从而,根据车辆的定位信息和车辆的传感器采集的雷达极化信息可以在高精度地图中构建雷达特征图层,用于确定雷达特征信息对应的车辆的定位位置,实现在全球导航卫星系统(global navigationsatellite system,GNSS)定位失效时的车辆的定位和导航。其中,通过毫米波雷达确定目标的雷达极化信息的流程可以包括以下步骤:
步骤一、雷达中的波形生成器(waveform generation)产生发射信号,然后通过发射天线(transmit antenna)进行发射发射信号。发射信号通常为带有载频的线性调频信号,发射信号sT(t)表达式可以为:
其中fT表示载频,Bsw表示发射信号带宽,TCPI表示发射信号的持续时间。
步骤二、发射信号经过障碍物反射后,被接收天线(receive antenna)接收,接收到的信号为发射信号的延时信号,发射信号的延时信号sR(t)表达式为:
sR(t)=sT[t-τ(t)] (2)
其中τ(t)表示发射信号从发射天线发送,经过障碍物反射,被接收天线接收的延时。
步骤三、将发射信号的延时信号和发射信号进行混频/下变频(down-conversion),然后通过采样(sampling)得到接收信号。
其中,接收信号为雷达的天线接收了一部分不同地物反射的反射能量(或回波散射)形成的信号。通过发射信号的发射时间和不同地物的回波散射的接收时间之差,可以确定目标(地物)与雷达的距离,从而确定目标的位置。
毫米波雷达对目标进行检测,可以得到运动的目标与雷达传感器之间的距离和速度,若毫米波雷达设置与车辆上,目标为另一车车辆,则根据雷达采集的回波信号,可以确定目标车辆相对本车的车辆速度,目标车辆相对本车的相对车辆位置、相对距离和方位角等信息。
进一步的,通过接收信号,可以获得目标的雷达散射面积(radar cross section,RCS)信息,RCS信息可以用于表述目标在雷达作用下的后向散射特征。空间目标的RCS序列,与目标的形状结构、电磁波的频率、入射场的极化形式、接收天线的极化形式、目标对于来波方向的角向位置(姿态角)等因素相关。而对于同一测量雷达来说,电磁波的频率、入射场的极化形式、接收天线的极化形式、目标对于来波方向的角向位置(姿态角)可以确定,因此,目标的RCS均值可以与目标结构和目标姿态建立关系,在地图场景中,空间中的目标姿态通常相对稳定,空间目标RCS的多次测量结果具有稳定性,因此,可以通过目标的RCS均值作为识别目标的结构的特征,从而可以得到不同目标的反射强度分类,从而对目标的结构进行分类。例如,可以区分目标为车道边界、车道线或路沿、道路的障碍物、隧道、桥梁等。
另外,发射信号可以包括极化信息,极化反映了波的电场矢量端点随时间变化的规律,可以按照其形成的空间轨迹形状和旋向可以分为线、圆、椭圆极化和左旋、右旋极化。电磁波的极化状态反映了雷达接收电磁波电场取向的时变特性,可以通过接收端为极化天线或极化敏感阵列,对接收信号进行极化参数估计。一种可能的实现方式中,发射信号可以采用水平极化(H)或垂直极化(V)的方式。天线接收的接收信号(回波散射),也可以采用水平或垂直极化方式,或者,还可以接收两种方式的回波散射。两类极化状态中,H代表水平方式,V代表垂直方式。因此,可以有四种发射和接收方式组合:HH:水平发射和水平接收;VV:垂直发射和垂直接收;HV:水平发射和垂直接收;VH:垂直发射和水平接收。根据发射和接收极化方式的不同,发射信号与目标相互作用,回波散射也有差异。波长和极化方式都会影响获取的接收信号。因此,接收信号中的极化信息可以包括:目标的极化散射矩阵和电磁波的极化状态。其中,目标的极化散射矩阵为目标在一定的姿态和观测频率下对电磁波的极化散射效应。极化散射矩阵中,包括发射端/接收端分别采用水平/垂直极化时目标对应的复散射系数S。
目标的极化散射矩阵表征了雷达目标对电磁波的信号的极化状态的改变,即目标受到雷达电磁波的照射,被散射电磁波的极化状态与入射电磁波的极化状态可能不同。通过目标改变电磁波的极化状态可以称为目标的去极化特性。此时,雷达目标改变了电磁波的极化状态,该极化状态的改变由目标的形状、结构和材料决定,因此,可以利用目标回波信号中的极化信息来识别目标。即极化信息可以得到不同目标的散射特征,可以用于标定目标的表面特征、形状、粗糙度等特征信息。进一步的,通过不同极化方式和波长的组合,可以确定目标的不同且彼此互补的极化信息,有利于获得更准确的目标的结构、材质等特征信息。
基于此,本申请实施例设计的高精度地图是在传统的导航地图的基础上,增加雷达特征图层,构建一种识别目标和车道边界精度较高的高精度地图。为进一步提高地图的精度,还可以根据雷达特征图层确定的车道边界确定虚拟车道边界或车道线,用于提高导航精度。
如图2a所示,为传统的导航地图的示意图。导航地图为传统的导航地图,采用GNSS设备进行导航和定位。相对于高精度地图来说,传统的导航地图只能提供道路级的导航信息。导航地图可以为用户提供导航信息,满足开车路线的导航需求。例如,导航地图可以提供当前道路有几条车道、限速信息、转弯信息、路线规划等导航信息。在该方案下,由于GNSS定位的精度影响,车辆的定位精度只能定位至道路上,难以确定车辆具体位于哪个车道上,因此,难以提供车道级的导航信息,并且,在林荫、城市峡谷、隧道等场景下,GNSS的定位容易产生漂移,同时还有一定概率无法获得GNSS的定位信号,导致无法对车辆进行导航。
如图2b所示,为在传统的导航地图的基础上,添加雷达特征图层。通过雷达特征图层可以对地图中的各类目标进行识别,从而通过对车辆行驶环境中的目标进行识别,以对车辆所在位置采集的目标的雷达特征信息进行匹配,从而根据雷达特征图层中存储的该匹配的雷达特征信息对应的定位信息,确定出车辆当前的定位位置,提升在不同车辆行驶环境下,尤其是GNSS定位不准确的场景下,提供准确的导航信息。
如图3所示,本申请提供的高精度地图的构建方法的具体步骤如下所述。本申请提供的高精度地图的构建方法的执行主体可以是车辆,也可以为其他具有雷达传感器的测量装置,也可以是云端的服务器。例如由车辆等具有雷达传感器的测量装置来采集目标的雷达特征信息和测量装置的位置信息,并发送到云端的地图服务器,由云端的地图服务器来确定雷达特征信息及其测量装置的位置信息的对应关系,并构建高精度地图。对高精度地图的更新方式也可以由测量装置或云端的服务器来执行。下面具体介绍生成雷达特征图层的过程。包括:
步骤301、获取测量装置的雷达传感器采集的目标极化信息,所述目标极化信息用于描述目标边界信息和目标属性信息。
在步骤301中,可以通过测量装置的雷达传感器对道路环境的目标进行检测,向目标发送发射信号;根据测量装置的接收天线接收到的回波信号,以获得回波信号中的RCS信息和极化信息。
一种可能的实现方式,回波信号中的RCS信息和极化信息可以通过成像方式存储,即可以根据回波信号生成成像信息,成像信息可以理解为目标对发射信号的反映,主要是目标的后向散射形成的图像信息。成像信息可以包括多种信息,比如回波信号中的RCS信息、相位信息、幅度信息、极化信息等。根据目标反射的回波信号生成成像信息的一种可能的实现方式为,接收到回波信号后,通过回波信号进行处理,比如对回波信号进行下变频、模数转换等,进而根据处理得到的信号,采用合成孔径雷达(synthetic aperture radar,SAR)成像算法,可以得到成像信息。一种可能的实现方式,成像信息可以为点云数据的形式存储。点云数据可以包括目标的距离,方位角,俯仰角,目标速度等雷达特征信息。点云数据在图2b中用实心圆点示意。雷达特征图层可以为车辆在行驶的场景中提供了精确指示。例如,在无车道标志或隧道等GNSS无法定位的场景下为车辆提供定位及为车辆提供可通行道路。可选的,为更进一步提高地图的精度,还可以在导航地图上再添加虚拟车道线图层。虚拟车道线可以为基于雷达特征图层生成的车道边界生成的,用于指示无车道线标记的道路上的可行驶车道。例如,可以是连接驶入、驶出路口车道的虚拟曲线,还可以认为是车辆在路口区域内行驶的参考轨迹线,也可以是正在施工道路、在不同环境下车道线遮挡的道路、隧道等。
一种可能的实现方式,根据回波信号中的RCS信息和极化信息,确定目标RCS信息和目标极化信息。
在具体实施过程中,可以根据回波信号中的RCS信息和极化信息对目标进行分类和识别,确定目标的边界特征和目标的材质特征,从而确定目标RCS信息和目标极化信息。例如,可以根据精度和道路环境的需要,确定目标分类和识别的具体方法。下面以方式a1-方式a2举例说明。
方式a1,可以根据回波信号中的RCS信息对目标进行分类。
例如,若所需精度要求较低,或者道路环境较为简单,可以通过RCS信息中的均值、瞬态统计特性等信息对目标的结构进行分类。例如,可以根据目标结构将目标分为:车道和障碍物等目标。
或者,还可以根据RCS信息,确定出移动目标和静态目标。具体的,可以获取雷达传感器采集的目标多普勒信息;根据所述目标多普勒信息确定所述目标极化信息中静止目标的极化信息;根据所述静止目标的极化信息和所述测量装置的定位信息,确定所述雷达特征图层。或者,还可以根据所述目标多普勒信息,确定非静止物体;根据非静止物体,删除所述目标极化信息中所述非静止的物体的目标极化信息。
其中,目标多普勒信息可以是RCS信息中获取的,根据获取的目标多普勒信息,确定出目标相对雷达传感器的相对速度,并根据车辆的速度,及目标相对雷达传感器的相对速度,确定出目标的移动速度,进而可以将目标划分为非静止目标和静止目标。由于非静止目标难以作为定位车辆的目标,因此,可以仅保留静止目标的目标RCS信息和目标极化信息,用于构建雷达特征图层。
方式a2,可以根据回波信号中的RCS信息和极化信息对目标进行分类。
例如,若所需精度要求较高,或者道路环境较为复杂,可以根据极化信息中的散射矩阵的行列式、散射矩阵的迹、及散射矩阵的去极化系数、本征极化等指标作为极化特征向量,对目标的边界或材质进行分类与识别。
一种可能的实现方式,根据RCS信息和极化信息生成的成像信息可以获得道路的边界信息,且不同材质的物质对雷达不同极化的反射功率和反射比例是有差异的。通过发射功率和极化的反射差异,然后可以通过分类的方法,来确定道路边界的材质种类,从而更准确的获取道路边界特性。通过雷达的极化信息可以得到当前车道环境的道路边界材质、路面材质信息等,从而得到更准确的道路边界特征,包括不同材质组成的道路的边界,以及道路上的材质信息等。
进一步的,还可以根据目标的属性对目标进一步划分。例如,根据车道、非车道区分目标,则目标的边界信息可以是指用于描述道路中的障碍物的边界信息的关键点或线,或者是指用于描述车道的边界信息。例如,根据车道的边界,可以将车道分为多种目标,目标边界的类型可以但不限于包括以下任意一种或多种:车道线、路沿、道路的障碍物等。车道可以分为:单车道,双车道,多车道,起始车道,中间车道,汇合车道,分叉车道,路口等。起始车道可以为:一条道路上的包括起始点的若干条车道线对应的车道。起止车道的边界可以是车道的起始线。终止车道可以为:一条道路上的包括终止点的若干条车道线对应的车道。终止车道的边界是车道的停止线。一般来说,实际应用中车道的起始线与逆向车道的停止线在一条直线上。汇合车道和分叉车道可以通过车道上的车道变换点来标定,车道变换点可以是有些道路快到路口时增设的转弯车道而产生的分叉点,也可以是通过路口进入一条新路车道减少一个而产生的汇合点,还可以是高速路/高架桥的驶出车道的分叉口,或高速路/高架桥的驶入车道的汇合点。根据车道存在的障碍物还可以进一步对车道进行分类,例如,车道还可以包括:隧道车道、高架入口车道、高架出口车道、桥等。
为进一步对目标进行分类与识别,可以基于1维距离像或2维SAR/ISAR图像,结合极化信息进行识别。1维距离像的分类与识别可以通过回波极化特征随时域、频域、联合域信息的动态变化,及瞬态极化特性或散射中心特征进行识别。在2维SAR/ISAR图像中,对目标极化散射矩阵进行数学变换,例如,极化目标分解,可以进一步提取用于分类和识别的目标特征,例如,目标的边界特征和目标的材质特征。
在不同的道路环境下,例如,有遮挡物(例如,落叶)条件下,有积水或积雪条件下,可以根据回波信号的极化信息,确定目标上的遮挡物、积水或积雪的极化特征,以确定目标上的遮挡物、积水或积雪的边界特征和材质特征,从而确定遮挡物条件下对目标的回波信号的影响、有积水下对目标的回波信号的影响或积雪条件下对目标的回波信号的影响,进而更准确的确定目标在去除遮挡后的边界信息。
比如,在车道有遮挡物覆盖时,可能遮挡车道线、车道边界等道路标识,此时,可以根据遮挡物、积水或积雪的极化特征,进行去除遮挡物的处理,以提高确定车道的边界信息的准确性。
在另一种可能的方式中,由于不同的道路环境下,可能会改变目标的边界,例如,在有积水的路面中,积水面积的大小可能导致可通行的道路发生变化,从而可以根据回波信号中的极化信息,确定道路上的积水和车道的材质特征,对车道是否有无积水进行识别,并进一步确定积水的边界特征、道路的边界特征,从而确定道路在积水路况下的边界信息,以指导导航规划。
比如,若积水面积占用了一条车道,根据在一条车道上检测到的回波信号的极化信息对应积水下的车道的极化特征(例如,积水的边界特征、积水的材质特征),及其他车道上产生的极化信息对应无积水下的车道的极化特征(例如,积水的边界特征、积水的材质特征),因此,可以确定该车道被积水覆盖,其他车道可以通行。
需要说明的是,目标的分类的各个举例仅为示例性的,目标的类型还可以包括其他类型,或者还可以为其他类型,本申请不作限定。
一种可能的实现方式,可以根据目标极化信息,及车辆的定位信息,确定目标的雷达特征信息。
进一步的,还可以根据目标RCS信息和目标极化信息,及测量装置的定位信息,确定目标的雷达特征信息。具体的确定方式,可以根据雷达特征信息所需的内容确定。
其中,车辆的定位信息可以为车辆在GNSS坐标系中的点坐标值,是车辆的地理坐标。车辆的定位信息还可以包括车辆的位姿信息。确定车辆的定位信息的方法有很多种。例如,可以仅通过车辆在全球定位系统(global positioning system,GPS)确定的,也可以为通过车姿传感器结合GNSS确定的车辆的定位位置,在此不做限定。进一步的,车辆的定位信息还可以包括车辆的速度信息和加速度信息。其中,速度信息和加速度信息可以为通过车姿传感器采集的数据确定的。车姿传感器可以包括:3维加速仪、磁传感器、陀螺仪等,本申请并不限定。
目标的雷达特征信息可以包括以下一种或多种:雷达传感器的标识(identitydocument,ID)、雷达传感器的定位信息,目标的标识ID、目标RCS信息和目标极化信息、目标所在车道的序号或目标的类型、目标的属性信息。其中,目标的属性信息可以包括:目标边界信息和目标属性信息等。例如,目标边界信息包括以下至少一项:道路在不同环境下的边界信息、道路净空在不同环境下的边界信息或路边物体在不同环境下的边界信息。目标属性信息可以包括以下至少一项:道路边界在不同环境下的材质信息、道路净高在不同环境下的材质信息或路边物体在不同环境下的材质信息。进一步的,还可以包括目标的定位信息,目标的定位信息可以是目标在GNSS坐标系中的点坐标值,也可以是目标映射到导航地图中的道路的ID,是目标的地理坐标。确定目标的定位信息的方法有很多种。例如,若目标为道路旁的障碍物,可以用人工标注的方法对每个目标的位置进行采集。若目标为道路中的车辆,则可以通过道路上的其他车辆对目标车辆采集的传感器信息确定的定位信息。也可以通过雷达传感器所在的车辆的定位位置,及根据雷达传感器获得的目标RCS信息确定的目标与雷达传感器之间的相对位置,确定出的目标的位置。目标的雷达特征信息(或者说雷达特征图层的信息)的一种示例可以用表1来表示。
表1
如表1所示,雷达传感器的标识可以用于指示雷达传感器在地图服务器上的全局唯一的ID,用于区分不同的雷达传感器。例如,不同类型的雷达传感器采集的定位信息、目标RCS信息和目标极化信息的精度不同,地图服务器可以根据不同的精度及权重,对各雷达传感器采集的目标的雷达特征信息进行聚合,以提高雷达特征信息的精度。ID也可以记为id。网格标识(mesh_ID)用于指示雷达传感器的位置映射到传统的导航地图的网格的ID,用于区分不同的网格,以及用于将雷达传感器的位置与导航地图的网格建立映射关系。mesh_ID来源于传统的导航地图中道路线的属性。其中,网格是传统导航地图中的一种属性,用于确定导航地图中的位置。
道路标识(road_ID)用于指示目标映射到传统的导航地图的道路的ID,用于将不同的目标划分至不同的道路上,以及用于将目标与导航地图的道路建立映射关系。road_ID可以来源于传统的导航地图中道路线的属性。
目标类型可以用于标识目标的分类,不同的类型可以用不同的序号、索引号或ID来指示。例如,可以根据目标的结构将目标划分为3类。例如,用于0指示目标为道路,用1指示目标为障碍物,用2指示目标为净空区域。其中,净空区域可以为隧道桥梁等限高、限宽的场景中形成的道路上方的净空区域,进而,在目标为净空区域时,目标的边界信息可以为隧道在道路上方的净空区域产生的边界对应的信息。当然,还可以根据其他方式对目标进行划分。
目标的属性信息可以是基于目标类型的进一步细化。例如,目标1的属性信息可以是道路的属性信息,可以包括:道路边界的起始点、终止点、道路边沿的坐标;道路边界的长度;道路边界段的组成,例如,道路边界段可以包括:单车道、双车道、汇合车道、分叉车道等。道路边界段还可以通过车道序号或车道线序列标识,车道序号或车道线序号(lane_num)用于指示目标所在的车道的序号,用于区分不同的车道线。例如,对于双向道路,包括正向和逆向车道。可以用序号[-n...-1]表示逆向第n个车道-逆向第1个车道,[0]表示中心车道线,序号[1...n]表示正向第1个车道-正向第n个车道。对于单向道路,可以用序号[0...n]表示正向第0个车道-正向第n个车道。汇合车道或分叉车道还可以通过可以用不同的序号、索引号或ID来进一步指示。例如,用-1来表示车道变换点子类型为车道由多变少。用1来表示车道变换点子类型为车道由少变多。用-1来表示车道起止点子类型为车道起点。用1来表示车道起止点子类型为车道终止点。
道路边界的材质组成,例如,石子路、土路、柏油马路、水泥马路、车道线、取消的车道线、有落叶的道路、有积水的道路、有落雪的道路等。其中,可以根据雷达传感器采集的极化信息,确定出的道路上的车道线对应的材质特征,确定道路上的车道线,并通过车道线的材质的分类属性,例如,黄色车道线,白色车道线,确定车道的方向。通过车道线为实线或虚线,确定车道的属性。另外,一种可能的场景中,由于车道线的更改,路面上还可能存在更新的车道线,例如,新增车道,或减少车道等方式确定更新的车道。其中,一种确定更新车道方式可以是通过识别道路上新增的护栏、临时交通锥等确定更新的车道。因此,可以根据采集的道路的极化信息,确定该道路上的更新的车道线,以指导高精度地图的导航。
目标2的属性信息可以是道路上或道路边上的障碍物的属性信息,例如,障碍物的边界信息,例如,道路上的隧桥、限高杆、道路上边沿上的路灯、道路旁边建筑的边界信息;障碍物材质信息。例如,隧桥、限高杆、道路上边沿上的路灯、道路旁边建筑的材质信息等。进一步的,障碍物的材质信息还可以包括在不同天气环境下障碍物的材质信息,例如,在有落叶、积水、积雪等场景下障碍物的表面的材质信息。
进一步的,为降低高精度地图的存储量,在相同目标类型下,无任何覆盖时,目标的雷达特征信息为雷达特征信息0,在一定覆盖程度下,目标表面基本为覆盖物的材质,因此,可以仅保留对应材质的雷达特征信息。例如,有积雪时,目标表面为积雪,积雪的雷达特征信息为雷达特征信息1,有落叶覆盖面积达到一定范围时,目标表面主要为落叶,落叶的雷达特征信息为雷达特征信息2,可以只保存雨雪或落叶等覆盖物的雷达特征信息,而无需保存每个目标在覆盖物下的雷达特征信息,以降低高精度地图的存储量。
步骤303、根据目标极化信息和测量装置的定位信息,构建雷达特征图层。
具体的,可以为测量装置的处理器根据目标的雷达特征信息,构建雷达特征图层,还可以为测量装置将目标极化信息和测量装置的定位信息上报至地图服务器,从而地图服务器根据目标的雷达特征信息,构建雷达特征图层,在此不做限定。
导航地图可以用于提供道路级的导航信息,高精度地图可以用于提供车道级的导航信息。根据雷达传感器的定位信息和目标的雷达特征信息,建立雷达传感器的定位信息与导航地图图层的映射关系或者关联信息,生成雷达特征图层。即,在雷达特征图层中,可以根据雷达传感器的定位信息,对应存储有目标的雷达特征信息,通过雷达传感器的定位信息与导航地图图层的映射关系,或者,可以根据目标所在的地图上的位置,对应存储目标的雷达特征信息和该目标的雷达特征信息对应的雷达传感器的定位信息,在此不做限定。
高精度地图可以以地图文件(例如,shapefile)的形式进行存储,其中,地图文件是一种空间数据开放格式,是描述空间数据的几何信息和属性信息,用于存储地理要素的文件。雷达特征图层的地图文件主要由上述得到的雷达特征图层组成,包括几何信息和雷达特征信息。其中,几何信息可以为雷达传感器的空间坐标,也可以为目标的空间坐标。属性信息即雷达特征图层的雷达特征信息。一种可能的实现方式,本申请实施例可以使用地理空间数据抽象库(geospatial data abstraction library,GDAL)将各个图层的地理信息(包括位置)和属性信息生成地图文件。GDAL是一种开源栅格空间数据转换库,用于进行数据转换和处理。最终生成的地图文件如图4所示,示出了高精度地图以及放大的路口的局部地图。其中,底层为传统的导航地图,实心点为雷达特征图层。在雷达特征图层中,可以保存目标1、目标2、目标3、目标4的雷达特征信息。目标a1为车辆A正上方(或后方)的交通信号灯,对应的雷达特征图层中,可以在车辆A的定位位置1上存储有车辆采集的目标a1的雷达特征信息。目标a3为车辆A正前方的交通信号灯,对应的雷达特征图层中,可以在车辆A的定位位置1上存储有车辆采集的目标a3的雷达特征信息。目标a2为车辆A左前方的交通信号灯,对应的雷达特征图层中,可以在车辆A的定位位置1上存储有车辆采集的目标a2的雷达特征信息。目标a4为车辆右前方的交通信号灯,对应的雷达特征图层中,可以在车辆A的定位位置1上存储有车辆采集的目标a3的雷达特征信息。
目标2位车辆A左侧的障碍物,若车辆A采集到目标2的雷达特征信息,则在雷达特征图层中,对应车辆A所在的定位位置1上,还可以保存有目标2的雷达特征信息。相应的,目标3为车道线,根据车辆A的雷达传感器采集的极化信息,确定的道路上不同材质,可以确定出道路上的目标3的目标极化信息,因此,对应车辆A所在的定位位置1上,还可以保存有目标3的雷达特征信息(例如,目标3为车道线)。目标4为道路旁的建筑等其他障碍物,根据车辆A的雷达采集的目标4的目标极化信息,可以确定出目标4的雷达特征信息(例如,目标类型为障碍物),对应车辆A所在的定位位置1上,还可以保存有目标4的雷达特征信息。
同理,车辆B在定位位置2上可以采集到目标a1的雷达特征信息,目标a2的雷达特征信息,目标a3的雷达特征信息,目标a4的雷达特征信息,目标2的雷达特征信息,目标3的雷达特征信息,目标4的雷达特征信息。车辆C在定位位置3上可以采集到目标a1的雷达特征信息,目标a2的雷达特征信息,目标a3的雷达特征信息,目标a4的雷达特征信息,目标2的雷达特征信息,目标3的雷达特征信息,目标4的雷达特征信息。
为提高雷达特征图层的精度,若多个雷达传感器确定出目标的多个雷达特征信息,或者雷达传感器在不同时刻确定出目标的多个雷达特征信息,则可以将多个雷达特征信息进行处理,确定出可靠性更高的目标的雷达特征信息,用于构建雷达特征图层。下面以方式b1和方式b2举例说明。
方式b1,可以根据雷达采集到的目标RCS信息和目标极化信息的精度,对雷达采集到的RCS信息和极化信息进行筛选。例如,可以根据雷达采集到的目标RCS信息的测角精度、功率等进行筛选,从而过滤低于预设阈值的目标RCS信息和目标极化信息。
一种可能的实现方式,根据雷达传感器采集的目标极化信息的特征值大于第一特征阈值的目标极化信息,确定雷达特征图层;另一种可能的实现方式,还可以根据雷达传感器采集的目标RCS信息大于第二特征阈值的目标RCS信息和目标极化信息的特征值大于第一特征阈值的目标极化信息,确定雷达特征图层;所述特征值包括以下至少一项:距离、水平角、俯仰角、目标多普勒信息、目标反射功率或测角精度等。
具体的,可以为雷达传感器对雷达采集到的目标RCS信息和目标极化信息进行筛选,避免低于预设阈值的目标RCS信息和目标极化信息用于构建雷达特征图层,以提高雷达特征图层的精度。或者,也可以是雷达传感器在确定雷达特征信息上报给地图服务器后,地图服务器根据预设阈值,对雷达特征信息进行筛选,将筛选后的雷达特征信息作为构建雷达特征图层中的雷达特征信息。
结合上述例子,若确定车辆C采集的雷达特征信息的精度小于预设阈值,则不将车辆C采集的雷达特征信息加入雷达特征图层中。若确定车辆A采集的雷达特征信息的精度大于预设阈值,则可以将车辆A采集的雷达特征信息加入雷达特征图层中。若确定车辆B采集的雷达特征信息的精度大于预设阈值,则可以将车辆B采集的雷达特征信息加入雷达特征图层中。
方式b2,对于不同测量设备在同一定位位置上采集的同一目标的雷达特征信息,可以进行聚合处理,以确定目标的雷达特征信息。例如,目标为道路时,目标的雷达特征信息包括道路边界信息和道路属性信息等,则可以分别通过对多个测量装置采集的道路边界信息聚合处理,以确定可靠性更高的道路边界信息。还可以通过对多个测量装置采集的道路属性信息聚合处理,以确定可靠性更高的道路属性信息。当然,也可以联合处理,即通过对多个测量装置采集的道路边界信息和道路属性信息聚合处理,以确定可靠性更高的道路边界信息和道路属性信息。一种可能的实现方式,可以采用加权的方式生成目标的雷达特征信息。以目标边界信息举例,根据每个目标边界信息及对应的测量装置的定位信息,确定每个目标边界信息的权重;根据权重和目标边界信息,从而确定在雷达特征图层中,所述定位信息对应的地图位置上的目标边界信息;相应的,目标属性信息也可以采用相同的加权的方式,根据多个目标属性信息及对应的测量装置,确定每个目标属性信息的权重;根据权重和目标属性信息,从而确定在雷达特征图层中,所述定位信息对应的地图位置上的目标属性信息。
比如,可以为不同的雷达传感器确定的雷达特征信息设置不同的权重,例如,指定的用于测试的雷达传感器设置的权重较高,其他雷达传感器设置的权重较低。
结合上述例子,若确定车辆A的雷达传感器的权重为a,车辆B的雷达传感器的权重为b,则以目标a1为例,目标a1对应的雷达特征信息可以为车辆A在定位位置1上采集的雷达特征信息01和车辆B在定位位置2上采集的雷达特征信息101通过加权后确定的,相应的,加权后的雷达特征信息对应的定位位置,也可以是定位位置1和定位位置2加权后确定的。
举例来说,测试的雷达传感器为惯性测量单元(inertial measurement unit,IMU),则可以根据IMU输出的多帧的目标的雷达特征信息(例如,目标的速度信息、目标的边界信息、极化信息等),进行点云累积,从而获得更清晰的目标的雷达特征信息。再比如,设置在目标环境条件较好获得的雷达特征信息的权重较高,目标环境条件较差获得的雷达特征信息的权重较低,以获得无环境影响下的目标的边界信息。当然,也可以另外设置在不同天气环境下的目标的雷达特征信息对应的权重,便于匹配在特殊天气环境下的目标。
在传统的导航地图的图层上,增加雷达特征图层。叠加雷达特征图层后的地图利用雷达图层,相比现有的高精度地图来说,提高了识别目标的精度,有助于提高高精度地图的导航精度,能够为车辆提供比传统的导航地图精度更高的定位和导航服务。
下面介绍本申请实施例提供的一种定位方法,这种方法可以在GNSS无法定位时,确定车辆的定位位置。本申请提供的定位方法的执行主体可以是车辆,也可以为地图服务器。车辆中设置有雷达传感器,用于采集车辆所在环境中的目标RCS信息和目标极化信息。高精度地图可以存储在车辆中,也可以存储在云端的地图服务器中。例如由车辆的雷达传感器来采集目标的雷达特征信息,由云端的地图服务器或车辆自身存储的高精度地图获取雷达特征图层,用于对车辆当前位置进行定位。如图5所示,一种定位方法的具体步骤如下所述。以下叙述中可以结合图6所示的示意图进行说明。
步骤501、车辆的雷达传感器采集当前车辆所在位置的目标极化信息。
其中,目标极化信息用于描述目标边界信息和道路目标属性信息等。
在具体实施过程中,车载的雷达传感器可以用于采集车辆所在的位置上,预设区域内的目标的目标极化信息。例如,可以根据车载的毫米波雷达传感器接口,以帧为单位按序读取雷达采集的RCS信息和极化信息。可以根据车辆所在环境设置图像帧数N=0,N可以根据环境的复杂度或者车辆的车速确定。
步骤502、获取高精度地图的雷达特征图层。
在步骤502中,可以是车辆获取高精度地图的雷达特征图层,此时,高精度地图的雷达特征图层可以是预先存储在车辆中,也可以为地图服务器发送给车辆的,在此不做限定。
或者,在步骤502中,可以是地图服务器获取高精度地图的雷达特征图层,此时,高精度地图的雷达特征图层可以是预先存储在地图服务器中的,也可以是车辆发送给地图服务器的,在此不做限定。
步骤503、根据在所述车辆当前行驶的道路上采集的目标极化信息和所述雷达特征图层,确定与所述目标极化信息匹配的雷达特征图层中的雷达特征信息。
步骤504、根据与所述目标极化信息匹配的雷达特征图层中的雷达特征信息确定所述雷达特征信息对应的定位信息。
需要说明的是,步骤503和步骤504可以由地图服务器执行,也可以由车辆执行,在此不做限定。
根据特征匹配确定车辆的定位信息可以有多种方案,下面以车辆执行方式c1和方式c2举例说明。地图服务器执行的方式可以参考该举例,在此不再赘述。
方式c1,基于目标的匹配方案,如相同的道路边界或道路净空等,从而确定当前车辆位置。
车辆获取到当前雷达采集的目标极化信息和目标RCS信息后,确定对应的目标的雷达特征信息,以确定目标的边界特征和材料特征,然后将目标的边界特征和材料特征与雷达特征图层中的雷达特征信息进行匹配,如果匹配成功,则可以采用匹配的雷达特征信息对应的定位信息来对车辆进行定位。
例如,如图6所示,车辆在当前位置上,采集到的RCS信息和极化信息中,可以确定出目标a1的雷达特征信息1,目标a2的雷达特征信息2,目标a3的雷达特征信息3。基于高精度地图中的雷达特征图层存储的雷达特征信息,例如,以图4中的车辆A在定位位置1上采集到的雷达特征信息为例。在定位位置1上,确定的目标a1的雷达特征信息为雷达特征信息01,目标a2的雷达特征信息为雷达特征信息02,目标a3的雷达特征信息为雷达特征信息03。因此,匹配过程可以为:根据雷达特征信息01与雷达特征信息1匹配,根据雷达特征信息02与雷达特征信息2匹配,根据雷达特征信息03与雷达特征信息3匹配。若确定3者的匹配值大于预设阈值,则可以确定车辆的当前位置为定位位置1。
进一步的,为提高定位精度,可以根据雷达特征图层中,存储的目标的多个雷达特征信息,与车辆在当前位置上采集的目标的雷达特征信息进行匹配。以目标a1为例,若目标a1的雷达特征信息包括3个雷达传感器采集加权后的雷达特征信息,则雷达特征图层中,目标a1对应的定位位置,也可以为3个雷达传感器采集雷达特征信息时对应的3个定位位置加权后确定的。当然,也可以分别存储3个雷达传感器采集雷达特征信息时对应的3个定位位置用于进行特征匹配。例如,若确定3个雷达传感器采集的目标a1的雷达特征信息为雷达特征信息A,雷达特征信息B和雷达特征信息C。假设在车辆在当前位置上采集的目标的雷达特征信息进行匹配时,雷达特征信息B的特征匹配的概率最大,此时可以将雷达特征信息B对应的定位位置作为车辆当前的定位位置,当然,也可以根据加权后的雷达特征信息与车辆在当前位置上采集的目标的雷达特征信息进行匹配,确定是否大于匹配阈值,若确定大于匹配阈值,可以将加权后的3个雷达传感器采集雷达特征信息时对应的3个定位位置作为车辆当前的定位位置。
需要说明的是,上述仅为举例,在实际匹配过程中,并不限定特征匹配的数量和特征匹配的方式。
进一步的,考虑不同环境下,目标表面可能有落叶、积水、积雪覆盖,导致测量到的目标的目标极化信息会对应不同,并影响目标的雷达特征信息的匹配。因此,可以通过目标的RCS信息和目标的目标极化信息,去除目标表面可能有落叶、积水、积雪等遮挡物的覆盖对目标的雷达特征信息的影响,有利于提高车辆载当前位置采集的目标极化信息与高精度地图中雷达特征信息匹配的概率,从而提高定位效果。
考虑目标被落叶遮挡的场景中,特征匹配可以有如下几种方式。
方式A1,根据所述目标所在的环境,确定所述目标被落叶遮挡;根据所述目标极化信息及所述雷达特征图层中落叶环境下的雷达特征信息,确定所述目标未被落叶遮挡下的边界特征;根据所述目标未被落叶遮挡下的边界特征,与雷达特征图层中的物体的雷达特征信息匹配。
方式A2,根据所述目标所在的环境,确定所述目标被落叶遮挡;根据所述目标极化信息中目标的边界特征,与雷达特征图层中处于落叶环境的雷达特征信息匹配。
考虑目标被积水、积雪遮挡的场景中,特征匹配可以有如下几种方式。
方式B1,根据所述目标所在的环境,确定所述目标处于雨/雪覆盖环境;根据所述目标极化信息及所述雷达特征图层中雨/雪环境下的雷达特征信息,确定所述目标未被雨/雪覆盖下的边界特征;根据所述目标未被雨/雪覆盖下的边界特征,与雷达特征图层中的雷达特征信息匹配。
方式B2,根据所述目标所在的环境,确定所述目标处于雨覆盖环境;根据所述目标在雨覆盖下的边界特征,与雷达特征图层中处于雨覆盖环境的雷达特征信息匹配;或者,根据所述目标所在的环境,确定所述目标处于雪覆盖环境;根据所述目标在雪覆盖下的边界特征,与雷达特征图层中处于雪覆盖环境的雷达特征信息匹配。
具体的实施方式在下面举例说明,在此不再赘述。
方式c2,可以通过车辆当前位置上采集的RCS信息和极化信息,与雷达特征图层中存储的雷达特征信息进行匹配,确定匹配的雷达特征信息,进而根据匹配的雷达特征信息对应的定位信息,作为车辆当前的定位位置。
举例来说,若雷达特征图层中存储的雷达特征信息也包括雷达传感器采集的RCS信息和极化信息,例如,如图1所示,车辆在采集到预设范围内的回波信号中的RCS信息和极化信息后,可以将RCS信息和极化信息中的特征值(例如,回波信号中的反射强度或反射强度分布等)作为雷达特征信息存储至雷达特征图层中,具体的,可以根据车辆所在的定位位置,存储在该定位位置对应的属性信息中。因此,车辆可以根据车辆当前位置上采集的RCS信息和极化信息,确定当前位置对应的特征值,与雷达特征图层中的RCS信息和极化信息的特征值进行匹配,若确定匹配的概率大于预设阈值时,可以认为车辆当前位置上采集的RCS信息和极化信息与雷达特征图层中的雷达特征信息匹配,从而,将该雷达特征信息对应的定位信息作为车辆当前的定位位置。
步骤505、根据所述雷达特征信息对应的定位信息,确定所述车辆的定位位置。
在步骤505中,可以是车辆执行的;也可以是地图服务器执行的,从而,地图服务器在确定车辆的定位位置后发送给车辆以指导车辆的导航。
一种可能的实现方式,车辆可以根据确定的定位位置和车辆的车姿传感器信息,结合高精度地图中的道路边界信息,可以进行路径规划,从而针对特殊场景,如隧道场景、弯道场景等,也可以实现较高精度的定位和导航。
下面以具体的场景举例说明。如图7所示,为没有车道线场景下的弯道转弯的导航场景。包括以下步骤:
步骤701:车辆的雷达传感器采集当前车辆所在位置的目标极化信息。
在该场景中,目标可以为道路A,目标极化信息可以确定道路A的材质信息(例如,道路A的材质为柏油马路的材质),及道路A旁的非道路的材质信息,用于区分道路A的边界。如图7所示,通过雷达传感器采集当前车辆所在位置的目标极化信息,可以确定出道路A的边界为曲线。
步骤702:获取高精度地图的雷达特征图层。
在步骤702中,可以根据车辆之前的定位信息,确定车辆可能到达的区域,例如,如图7所示,车辆在最近时刻获取到的定位信息为位置A1,因此,可以根据位置A1,确定出预设区域a,从而获取车辆当前可能到达区域a对应的雷达特征图层,用于与雷达传感器采集当前车辆所在位置的目标极化信息进行匹配。
步骤703、根据在所述车辆当前行驶的道路上采集的目标极化信息和所述雷达特征图层,确定与所述目标极化信息匹配的雷达特征图层中的雷达特征信息。
通过高精度地图的雷达特征图层中的雷达特征信息,与雷达传感器采集当前车辆所在位置的目标极化信息匹配,可以确定目标的雷达特征信息为车道边界对应的雷达特征信息,以及目标的雷达特征信息对应的定位位置为定位位置B1。
步骤704、根据与所述目标极化信息匹配的雷达特征图层中的雷达特征信息确定所述雷达特征信息对应的定位信息。
具体的,可以将确定出的定位位置B1作为车辆当前所在位置。进一步的,由于确定了车辆前方道路的车道边界对应的雷达特征信息,因此,可以根据车道边界对应的雷达特征信息,建立车道边界的虚拟车道线,从而作为车辆的导航信息以指导车辆的行驶,避免车辆在无车道线的道路上行驶时驶入非车道区域,造成安全隐患。
下面以具体的场景举例说明。如图8所示,为存在遮挡物(例如,落叶等)场景遮挡车道线的导航场景。包括以下步骤:
步骤801:车辆的雷达传感器采集当前车辆所在位置的目标极化信息。
在该场景中,目标可以为道路A,目标极化信息可以确定道路A上的车道线1的材质信息(例如,道路A的车道线1的材质为材质1),及道路A上的遮挡物的材质信息。如图8所示,通过雷达传感器采集当前车辆所在位置的目标极化信息,可以确定出道路A上的车道线1当前为被遮挡物遮挡的车道线。
步骤802:获取高精度地图的雷达特征图层。
在步骤802中,可以根据车辆之前的定位信息,确定车辆可能到达的区域,例如,如图8所示,车辆在最近时刻获取到的定位信息为位置A2,因此,可以根据位置A2,确定出预设区域a,从而获取车辆当前可能到达区域a对应的雷达特征图层,用于与雷达传感器采集当前车辆所在位置的目标极化信息进行匹配。其中,雷达特征图层可以包括存在遮挡物环境下的道路的雷达特征信息。例如,如图8所示,车道边界1上的雷达特征信息包括:未被遮挡物遮挡的雷达特征信息,被遮挡物遮挡的雷达特征信息。车道边界2上的雷达特征信息包括:未被遮挡物遮挡的雷达特征信息,被遮挡物遮挡的雷达特征信息。另一种可能的方式,车道边界1上的雷达特征信息包括:无遮挡物遮挡的雷达特征信息。车道边界2上的雷达特征信息包括:无遮挡物遮挡的雷达特征信息。并单独存储车道上被遮挡物遮挡时的雷达特征信息。
步骤803、根据在所述车辆当前行驶的道路上采集的目标极化信息和所述雷达特征图层,确定与所述目标极化信息匹配的雷达特征图层中的雷达特征信息。
一种可能的实现方式,根据所述目标极化信息及所述雷达特征图层中存在遮挡物环境下的雷达特征信息,确定所述目标未被遮挡物遮挡下的边界特征;根据所述目标未被遮挡物遮挡下的边界特征,与雷达特征图层中的物体的雷达特征信息匹配。
根据车道边界1对应的目标极化信息中存在遮挡物对应的材质特征,从而,确定车道边界1被遮挡物遮挡;在目标极化信息中,确定未被遮挡物遮挡部分的车道边界1的边界特征,例如,可以只通过未被遮挡物遮挡部分的车道边界1的边界,与雷达特征图层中的车道的雷达特征信息(例如,车道边界信息和车道材质信息)匹配,从而避免遮挡物对车道的特征匹配的影响。如图8所示,遮挡物将车道边界1划分3部分,第一部分和第三部分未被遮挡物遮挡,第二部分被遮挡物遮挡,此时,可以通过第一部分和第三部分对应的目标极化信息与雷达特征图层中的车道线的雷达特征信息匹配。
一种可能的实现方式,根据所述目标极化信息中目标的边界特征,与雷达特征图层中存在遮挡物环境的雷达特征信息匹配。
具体的,根据车道边界1对应的目标极化信息中存在遮挡物对应的材质特征,从而,确定车道边界1被遮挡物遮挡;根据获得的区域a2中的被遮挡物遮挡的车道线的雷达特征信息,与车辆采集的车道边界1的目标极化信息进行匹配,在匹配的概率大于预设阈值时,确定车道边界1对应匹配的雷达特征图层中的被遮挡物遮挡的车道线1的雷达特征信息802,进一步的,根据雷达特征信息802,确定雷达特征信息802对应的未被遮挡物遮挡的车道边界1的雷达特征信息8020中的车道边界1的边界特征,并根据雷达特征信息8020中的车道边界1的边界特征,去除车辆在当前位置上采集的车道边界1中的遮挡物遮挡部分的雷达特征信息,还可以补充遮挡物遮挡部分的车道边界1的雷达特征信息。
通过高精度地图的雷达特征图层中的雷达特征信息,与雷达传感器采集当前车辆所在位置的目标极化信息匹配,可以确定目标的雷达特征信息为车道边界1对应的雷达特征信息,以及车道边界1的雷达特征信息对应的定位位置为定位位置B2。
步骤804、根据与所述目标极化信息匹配的雷达特征图层中的雷达特征信息确定所述雷达特征信息对应的定位信息。
具体的,可以将确定出的定位位置B2作为车辆当前所在位置。进一步的,由于确定了车辆前方道路的车道边界对应的雷达特征信息,因此,可以根据车道边界对应的雷达特征信息,建立车道边界的虚拟车道线,从而作为车辆的导航信息以指导车辆的行驶,避免车辆在车道线遮挡的道路上行驶时驶入未驶入车道区域,造成安全隐患。
下面以具体的场景举例说明。如图9所示,为存在路面积水场景下的导航场景。包括以下步骤:
步骤901:车辆的雷达传感器采集当前车辆所在位置的目标极化信息。
在该场景中,目标可以为道路A3,目标极化信息可以确定道路A3上的车道1的材质信息,例如,道路A3的区域1(位于车道1)的材质为水,车道2的材质为路面材质1。如图9所示,通过雷达传感器采集当前车辆所在位置的目标极化信息,可以确定出道路A3上的车道1当前为被积水覆盖的车道,车道2为未被积水覆盖的车道。
步骤902:获取高精度地图的雷达特征图层。
在步骤902中,可以根据车辆之前的定位信息,确定车辆可能到达的区域,例如,如图9所示,车辆在最近时刻获取到的定位信息为位置A3,因此,可以根据位置A3,确定出预设区域a3,从而获取车辆当前可能到达区域a3对应的雷达特征图层,用于与雷达传感器采集当前车辆所在位置的目标极化信息进行匹配。其中,雷达特征图层可以包括在积水环境下的道路的雷达特征信息。如图9所示,车道1上的雷达特征信息包括:无积水覆盖的雷达特征信息,被积水覆盖的雷达特征信息。车道2上的雷达特征信息包括:无积水覆盖的雷达特征信息,被积水覆盖的雷达特征信息。另一种可能的方式,车道1上的雷达特征信息包括:无积水覆盖的雷达特征信息。车道2上的雷达特征信息包括:无积水覆盖的雷达特征信息。并单独存储车道上被积水覆盖时的雷达特征信息。
步骤903、根据在所述车辆当前行驶的道路上采集的目标极化信息和所述雷达特征图层,确定与所述目标极化信息匹配的雷达特征图层中的雷达特征信息。
一种可能的实现方式,根据所述目标极化信息及所述雷达特征图层中积水环境下的雷达特征信息,确定所述目标未被积水覆盖下的边界特征;根据所述目标未被积水覆盖下的边界特征,与雷达特征图层中的物体的雷达特征信息匹配。
根据车道1对应的目标极化信息中存在雨水对应的材质特征,从而,确定车道1被积水覆盖;在目标极化信息中,确定未被积水覆盖部分的车道1的边界特征,例如,可以只通过未被积水覆盖部分的车道1的边界,与雷达特征图层中的车道的雷达特征信息(例如,边界信息和材质信息)匹配,从而避免雨水对车道的特征匹配的影响。如图8所示,积水覆盖将车道线划分3部分,第一部分和第三部分未被积水覆盖,第二部分被积水覆盖,此时,可以通过第一部分和第三部分对应的目标极化信息与雷达特征图层中的车道的雷达特征信息匹配。
另一种可能的实现方式,根据所述目标极化信息中目标的边界特征,与雷达特征图层中处于积水环境的雷达特征信息匹配。
具体的,根据车道线1对应的目标极化信息中存在雨水对应的材质特征,从而,确定车道线1被积水覆盖;根据获得的区域a3中的被积水覆盖的车道的雷达特征信息,与车辆采集的车道1的目标极化信息进行匹配,在匹配的概率大于预设阈值时,确定车道1对应匹配的雷达特征图层中的被积水覆盖的车道1的雷达特征信息902,进一步的,根据雷达特征信息902,确定雷达特征信息902对应的未被积水覆盖的车道线1的雷达特征信息9020中的车道1的边界特征,并根据雷达特征信息9020中的车道线1的边界特征,去除车辆在当前位置上采集的车道1中的积水覆盖部分的雷达特征信息,还可以补充积水覆盖部分的车道1的雷达特征信息。
通过高精度地图的雷达特征图层中的雷达特征信息,与雷达传感器采集当前车辆所在位置的目标极化信息匹配,可以确定目标的雷达特征信息为车道1对应的雷达特征信息,以及车道1的雷达特征信息对应的定位位置为定位位置B3。
步骤904、根据与所述目标极化信息匹配的雷达特征图层中的雷达特征信息确定所述雷达特征信息对应的定位信息。
具体的,可以将确定出的定位位置B3作为车辆当前所在位置。进一步的,由于确定了车辆前方道路的车道边界对应的雷达特征信息,因此,可以根据车道边界对应的雷达特征信息,建立车道边界的虚拟车道线,从而作为车辆的导航信息以指导车辆的行驶,例如,如图9所示的导航方向,避免车辆在车道被积水覆盖的道路上行驶时驶入积水的车道区域,造成安全隐患。
下面以具体的场景举例说明。如图10所示,为存在积雪场景下的导航场景。包括以下步骤:
步骤1001:车辆的雷达传感器采集当前车辆所在位置的目标极化信息。
在该场景中,目标可以为道路A4,目标极化信息可以确定道路A4上的车道4及其附近区域的材质信息,例如,道路A4旁的区域4的材质为雪,车道4的材质为路面材质1。如图10所示,通过雷达传感器采集当前车辆所在位置的目标极化信息,可以确定出道路A3旁的区域4为被积雪覆盖的区域,车道4为未被积雪覆盖的车道,但是车道4的边界部分被积雪覆盖。
步骤1002:获取高精度地图的雷达特征图层。
在步骤1002中,可以根据车辆之前的定位信息,确定车辆可能到达的区域,例如,如图10所示,车辆在最近时刻获取到的定位信息为位置A4,因此,可以根据位置A4,确定出预设区域a4,从而获取车辆当前可能到达区域a4对应的雷达特征图层,用于与雷达传感器采集当前车辆所在位置的目标极化信息进行匹配。其中,雷达特征图层可以包括在积雪环境下的道路的雷达特征信息。如图10所示,车道4上的雷达特征信息包括:无积雪覆盖的雷达特征信息,被积雪覆盖的雷达特征信息。区域4上的雷达特征信息包括:无积雪覆盖的雷达特征信息,被积雪覆盖的雷达特征信息。另一种可能的方式,车道4上的雷达特征信息包括:无积水覆盖的雷达特征信息。区域4上的雷达特征信息包括:无积雪覆盖的雷达特征信息。并单独存储车道上被积雪覆盖时的雷达特征信息。
步骤1003、根据在所述车辆当前行驶的道路上采集的目标极化信息和所述雷达特征图层,确定与所述目标极化信息匹配的雷达特征图层中的雷达特征信息。
一种可能的实现方式,根据所述目标极化信息及所述雷达特征图层中积雪环境下的雷达特征信息,确定所述目标未被积雪覆盖下的边界特征;根据所述目标未被积雪覆盖下的边界特征,与雷达特征图层中的物体的雷达特征信息匹配。
根据车道1对应的目标极化信息中存在冰/雪对应的材质特征,从而,确定区域4被积雪覆盖;在目标极化信息中,确定未被积雪覆盖部分的车道4的边界特征,例如,可以只通过未被积雪覆盖部分的车道1的边界,与雷达特征图层中的车道的雷达特征信息(例如,边界信息和材质信息)匹配,从而避免雨雪对车道的特征匹配的影响。如图8所示,积雪覆盖将车道和区域4重新划分边界,车道的一部分未被积雪覆盖,车道的另一部分被积雪覆盖,此时,可以通过车道的未被积雪覆盖对应的目标极化信息与雷达特征图层中的车道的雷达特征信息匹配。
另一种可能的实现方式,根据所述目标极化信息中目标的边界特征,与雷达特征图层中处于积水环境的雷达特征信息匹配。
具体的,根据车道线1对应的目标极化信息中存在冰/雪对应的材质特征,从而,确定区域4或车道4被积雪覆盖;根据获得的区域a4中的被积雪覆盖的车道的雷达特征信息,与车辆采集的车道4或区域4的目标极化信息进行匹配,在匹配的概率大于预设阈值时,确定车道4或区域4对应匹配的雷达特征图层中的被积雪覆盖的车道4或区域4的雷达特征信息1002,进一步的,根据雷达特征信息1002,确定雷达特征信息1002对应的未被积雪覆盖的车道4或区域4的雷达特征信息10020中的车道4或区域4的边界特征,并根据雷达特征信息10020中的车道4或区域4的边界特征,去除车辆在当前位置上采集的车道4或区域4中的积雪覆盖部分的雷达特征信息,还可以补充积雪覆盖部分的车道4或区域4的雷达特征信息。
通过高精度地图的雷达特征图层中的雷达特征信息,与雷达传感器采集当前车辆所在位置的目标极化信息匹配,可以确定目标的雷达特征信息为车道4或区域4对应的雷达特征信息,以及车道4或区域4的雷达特征信息对应的定位位置为定位位置B4。
步骤1004、根据与所述目标极化信息匹配的雷达特征图层中的雷达特征信息确定所述雷达特征信息对应的定位信息。
具体的,可以将确定出的定位位置B4作为车辆当前所在位置。进一步的,由于确定了车辆前方道路的车道边界对应的雷达特征信息,因此,可以根据车道边界对应的雷达特征信息,确定车道边界的虚拟车道线,作为新的车道边界,(例如,如图10所示的新的车道边界),从而作为车辆的导航信息以指导车辆的行驶,例如,如图10所示的导航方向,避免车辆在车道被积水覆盖的道路上行驶时驶入积雪的车道区域,造成安全隐患。
基于以上方法实施例,本申请实施例还提供了一种高精度地图生成装置,该高精度地图生成装置用于实现上述图3中的高精度地图生成的功能,参阅图11所示,该导航装置1100包括:获取单元1101和处理单元1102。下面介绍高精度地图生成装置1100在生成高精度地图时,各个单元的功能和联系。
获取单元1101,用于获取测量装置的雷达传感器采集的目标极化信息,所述目标极化信息用于描述目标边界信息和目标属性信息。
处理单元1102,用于根据所述目标极化信息和所述测量装置的定位信息,确定雷达特征图层;根据所述雷达特征图层,生成高精度地图。
一种可能的实现方式,所述获取单元1101,还用于:获取测量装置的雷达传感器采集的回波信号的极化信息;
所述处理单元1102,还用于根据所述极化信息,确定目标的边界特征和目标的材质特征;根据所述目标的边界特征和目标的材质特征,确定所述目标极化信息。
一种可能的实现方式,所述获取单元1101,具体用于:获取所述测量装置的雷达传感器采集的目标多普勒信息;
所述处理单元1102,具体用于根据所述目标多普勒信息确定所述目标极化信息中静止目标的极化信息;根据所述静止目标的极化信息和所述测量装置的定位信息,确定所述雷达特征图层。
一种可能的实现方式,目标边界信息包括以下至少一项:道路在不同环境下的边界信息、道路净空在不同环境下的边界信息或路边物体在不同环境下的边界信息;所述目标属性信息包括以下至少一项:道路边界在不同环境下的材质信息、道路净高在不同环境下的材质信息或路边物体在不同环境下的材质信息。
一种可能的实现方式,所述处理单元1102,还用于:根据所述雷达传感器采集的目标极化信息中特征值大于第一特征阈值的目标极化信息和所述测量装置的定位信息,确定雷达特征图层;所述特征值包括以下至少一项:距离、水平角、俯仰角、目标多普勒信息、目标反射功率或测角精度。
一种可能的实现方式,所述处理单元1102,还用于:根据所述目标极化信息和所述测量装置的定位信息,确定所述目标极化信息的权重;根据所述权重和所述目标极化信息,确定在所述雷达特征图层中所述定位信息对应的地图位置上的雷达特征信息;所述地图位置上的雷达特征信息用于为车辆提供定位信息。
基于以上方法实施例,本申请实施例还提供了一种定位装置,该定位装置用于实现上述图5中的定位的功能,该定位装置可以为地图服务器或设置在地图服务器上的芯片,也可以为具有雷达传感器的车辆,或者设置在具有雷达传感器的车辆上的芯片。参阅图12所示,该定位装置1200包括:获取单元1201和处理单元1202。下面介绍定位装置1200在对车辆定位时,各个单元的功能和联系。
获取单元1201,用于获取车辆的雷达传感器在所述车辆当前行驶的道路上采集的目标极化信息,所述目标极化信息用于描述目标边界信息和目标属性信息;获取高精度地图的雷达特征图层;
处理单元1202,用于根据在所述车辆当前行驶的道路上采集的目标极化信息和所述雷达特征图层,确定与所述目标极化信息匹配的雷达特征图层中的雷达特征信息;根据所述雷达特征信息确定与所述雷达特征信息对应的定位信息;根据所述定位信息,确定所述车辆的位置。
一种可能的实现方式,所述获取单元1201,具体用于:获取雷达传感器在车辆当前行驶的道路上采集的回波信号的极化信息;
所述处理单元1202,具体用于:根据所述极化信息,确定目标的边界特征和目标的材质特征;根据所述目标的边界特征和目标的材质特征,确定所述目标极化信息。
一种可能的实现方式,所述获取单元1201,还用于:获取雷达传感器在所述车辆当前行驶的道路上采集的目标多普勒信息;
所述处理单元1202,还用于:根据所述目标多普勒信息确定所述目标极化信息中静止目标的极化信息;根据所述静止目标的极化信息和所述雷达特征图层,确定所述雷达特征信息。
一种可能的实现方式,所述处理单元1202,具体用于:根据所述目标极化信息,确定所述目标极化信息对应的目标的边界特征和材质特征;根据所述目标极化信息对应的目标的材质特征,确定所述目标所在的环境;根据所述目标所在的环境及所述目标的边界特征,确定与所述目标极化信息匹配的雷达特征图层中的雷达特征信息。
一种可能的实现方式,所述处理单元1202,具体用于:根据与所述目标极化信息匹配的所述雷达特征图层的雷达特征信息,确定所述车辆所在的道路边界信息;根据所述车辆的位置及所述道路边界信息,为所述车辆规划导航路径。
一种可能的实现方式,所述雷达特征图层包括不同环境下的雷达特征信息;所述处理单元1202,具体用于:根据所述目标所在的环境,确定所述目标被遮挡物遮挡;根据所述目标极化信息及所述雷达特征图层中存在遮挡物环境下的雷达特征信息,确定所述目标未被遮挡物遮挡下的边界特征;根据所述目标未被遮挡物遮挡下的边界特征,与雷达特征图层中的物体的雷达特征信息匹配。
一种可能的实现方式,所述雷达特征图层包括不同环境下的雷达特征信息;处理单元1202,具体用于:根据所述目标所在的环境,确定所述目标处于积水/积雪覆盖环境;根据所述目标极化信息及所述雷达特征图层中积水/积雪环境下的雷达特征信息,确定所述目标未被积水/积雪覆盖下的边界特征;根据所述目标未被积水/积雪覆盖下的边界特征,与雷达特征图层中的雷达特征信息匹配。
一种可能的实现方式,所述雷达特征图层包括不同环境下的雷达特征信息;处理单元1202,具体用于:根据所述目标所在的环境,确定所述目标处于积水覆盖环境;根据所述目标在积水覆盖下的边界特征,与雷达特征图层中处于积水覆盖环境的雷达特征信息匹配;或者,根据所述目标所在的环境,确定所述目标处于积雪覆盖环境;根据所述目标在积雪覆盖下的边界特征,与雷达特征图层中处于雪覆盖环境的雷达特征信息匹配。
需要说明的是,本申请上述实施例中对单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述各个单元的只一个或多个可以软件、硬件、固件或其结合实现。所述软件或固件包括但不限于计算机程序指令或代码,并可以被硬件处理器所执行。所述硬件包括但不限于各类集成电路,如中央处理单元(CPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)或专用集成电路(ASIC)。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
基于以上实施例,本申请实施例还提供了一种高精度地图生成装置,该装置可以实现上述图3中的生成高精度地图的功能。参阅图13所示,高精度地图生成装置1300中包括:通信接口1301、处理器1302,以及存储器1303。
通信接口1301和存储器1303与处理器1302之间相互连接。可选的,通信接口1301和存储器1303与处理器1302之间可以通过总线相互连接;总线可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extendedindustry standard architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图13中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口1301用于实现高精度地图生成装置与定位系统中的其他部件通信。例如,通信接口1301可以用于获取测量装置的雷达传感器采集的目标极化信息,所述目标极化信息用于描述目标边界信息和目标属性信息。
处理器1302用于实现上述如图3所示的高精度地图生成方法,一种可能的实现方式中,处理器1302,可以用于根据所述目标极化信息和所述测量装置的定位信息,确定雷达特征图层;根据所述雷达特征图层,生成高精度地图。具体可以参见上述图3所示的实施例中的描述,此处不再赘述。可选的,处理器1302可以是中央处理器(central processingunit,CPU),或者其他硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit,ASIC),可编程逻辑器件(programmable logic device,PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logicdevice,CPLD),现场可编程逻辑门阵列(field-programmable gate array,FPGA),通用阵列逻辑(generic array logic,GAL)或其任意组合。处理器1302在实现上述功能时,可以通过硬件实现,当然也可以通过硬件执行相应的软件实现。
存储器1303用于存放程序指令和数据等。具体地,程序指令可以包括程序代码,该程序代码包括计算机操作的指令。存储器1303可能包含随机存取存储器(random accessmemory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。处理器1302执行存储器1303所存放的程序,并通过上述各个部件,实现上述功能,从而最终实现以上实施例提供的方法。
基于以上实施例,本申请实施例还提供了一种定位装置,该装置可以实现上述图5中的定位的功能。参阅图14所示,定位装置1400中包括:通信接口1401、处理器1402,以及存储器1403。
通信接口1401和存储器1403与处理器1402之间相互连接。可选的,通信接口1401和存储器1403与处理器1402之间可以通过总线相互连接;总线可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extendedindustry standard architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图14中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口1401用于实现定位装置与定位系统中的其他部件通信。例如,通信接口1401可以用于获取雷达传感器在所述车辆当前行驶的道路上采集的目标极化信息,所述目标极化信息用于描述目标边界信息和目标属性信息;获取高精度地图的雷达特征图层。
处理器1402用于实现上述如图5所示的定位方法,一种可能的实现方式中,处理器1402,可以用于根据在所述车辆当前行驶的道路上采集的目标极化信息和所述雷达特征图层,确定与所述目标极化信息匹配的雷达特征图层中的雷达特征信息;根据所述雷达特征信息确定与所述雷达特征信息对应的定位信息;根据所述定位信息,确定所述车辆的位置。具体可以参见上述图5所示的实施例中的描述,此处不再赘述。可选的,处理器1402可以是中央处理器(central processing unit,CPU),或者其他硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit,ASIC),可编程逻辑器件(programmable logic device,PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logic device,CPLD),现场可编程逻辑门阵列(field-programmable gate array,FPGA),通用阵列逻辑(generic array logic,GAL)或其任意组合。处理器1402在实现上述功能时,可以通过硬件实现,当然也可以通过硬件执行相应的软件实现。
存储器1403用于存放程序指令和数据等。具体地,程序指令可以包括程序代码,该程序代码包括计算机操作的指令。存储器1403可能包含随机存取存储器(random accessmemory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。处理器1402执行存储器1403所存放的程序,并通过上述各个部件,实现上述功能,从而最终实现以上实施例提供的方法。
基于以上实施例,本申请实施例还提供了一种计算机程序,当计算机程序在计算机上运行时,使得计算机执行以上实施例提供的方法。
基于以上实施例,本申请实施例还提供了一种计算机存储介质,该计算机存储介质中存储有计算机程序,计算机程序被计算机执行时,使得计算机执行以上实施例提供的方法。
基于以上实施例,本申请实施例还提供了一种芯片,芯片用于读取存储器中存储的计算机程序,实现以上实施例提供的方法。
基于以上实施例,本申请实施例提供了一种芯片系统,该芯片系统包括处理器,用于支持计算机装置实现以上实施例提供的方法中高精度地图生成装置所涉及的功能和/或定位装置所涉及的功能。在一种可能的设计中,芯片系统还包括存储器,存储器用于保存该计算机装置必要的程序和数据。该芯片系统,可以由芯片构成,也可以包含芯片和其他分立器件。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的保护范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (28)
1.一种高精度地图的生成方法,其特征在于,所述方法包括:
获取测量装置的雷达传感器采集的目标极化信息,所述目标极化信息用于描述目标边界信息和目标属性信息;
根据所述目标极化信息和所述测量装置的定位信息,确定雷达特征图层;
根据所述雷达特征图层,生成高精度地图。
2.如权利要求1所述的方法,其特征在于,所述获取测量装置的雷达传感器采集的目标极化信息,包括:
获取测量装置的雷达传感器采集的回波信号的极化信息;
根据所述极化信息,确定目标的边界特征和目标的材质特征;
根据所述目标的边界特征和目标的材质特征,确定所述目标极化信息。
3.如权利要求1所述的方法,其特征在于,所述根据所述目标极化信息和所述测量装置的定位信息,确定雷达特征图层之前,还包括:
获取所述测量装置的雷达传感器采集的目标多普勒信息;
所述根据所述目标极化信息和所述测量装置的定位信息,确定雷达特征图层包括:
根据所述目标多普勒信息确定所述目标极化信息中静止目标的极化信息;
根据所述静止目标的极化信息和所述测量装置的定位信息,确定所述雷达特征图层。
4.如权利要求1-3任一项所述的方法,其特征在于,所述目标边界信息包括以下至少一项:道路在不同环境下的边界信息、道路净空在不同环境下的边界信息或路边物体在不同环境下的边界信息;
所述目标属性信息包括以下至少一项:道路边界在不同环境下的材质信息、道路净高在不同环境下的材质信息或路边物体在不同环境下的材质信息。
5.如权利要求1~3任一项所述的方法,其特征在于,所述根据所述目标极化信息和所述测量装置的定位信息,确定雷达特征图层,包括:
根据所述雷达传感器采集的目标极化信息中特征值大于第一特征阈值的目标极化信息和所述测量装置的定位信息,确定雷达特征图层;所述特征值包括以下至少一项:距离、水平角、俯仰角、目标多普勒信息、目标反射功率或测角精度。
6.如权利要求1~3任一项所述的方法,其特征在于,所述根据所述目标极化信息和所述测量装置的定位信息,确定雷达特征图层,包括:
根据所述目标极化信息和所述测量装置的定位信息,确定所述目标极化信息的权重;
根据所述权重和所述目标极化信息,确定在所述雷达特征图层中所述定位信息对应的地图位置上的雷达特征信息;所述地图位置上的雷达特征信息用于为车辆提供定位信息。
7.一种定位方法,其特征在于,所述方法还包括:
获取车辆的雷达传感器在所述车辆当前行驶的道路上采集的目标极化信息,所述目标极化信息用于描述目标边界信息和目标属性信息;
获取高精度地图的雷达特征图层;
根据在所述车辆当前行驶的道路上采集的目标极化信息和所述雷达特征图层,确定与所述目标极化信息匹配的雷达特征图层中的雷达特征信息;
根据所述雷达特征信息确定与所述雷达特征信息对应的定位信息;
根据所述定位信息,确定所述车辆的位置。
8.如权利要求7所述的方法,其特征在于,所述获取雷达传感器在车辆当前行驶的道路上采集的目标极化信息,包括:
获取雷达传感器在车辆当前行驶的道路上采集的回波信号的极化信息;
根据所述极化信息,确定目标的边界特征和目标的材质特征;
根据所述目标的边界特征和目标的材质特征,确定所述目标极化信息。
9.如权利要求7或8所述的方法,其特征在于,还包括:
获取雷达传感器在所述车辆当前行驶的道路上采集的目标多普勒信息;
所述根据在所述车辆当前行驶的道路上采集的目标极化信息和所述雷达特征图层,确定与所述目标极化信息匹配的雷达特征图层中的雷达特征信息,包括:
根据所述目标多普勒信息确定所述目标极化信息中静止目标的极化信息;
根据所述静止目标的极化信息和所述雷达特征图层,确定所述雷达特征信息。
10.如权利要求7-9任一项所述的方法,其特征在于,所述根据在所述车辆当前行驶的道路上采集的目标极化信息和所述雷达特征图层,确定与所述目标极化信息匹配的雷达特征图层中的雷达特征信息,包括:
根据所述目标极化信息,确定所述目标极化信息对应的目标的边界特征和材质特征;
根据所述目标极化信息对应的目标的材质特征,确定所述目标所在的环境;
根据所述目标所在的环境及所述目标的边界特征,确定与所述目标极化信息匹配的雷达特征图层中的雷达特征信息。
11.如权利要求7-10任一项所述的方法,其特征在于,所述方法还包括:
根据与所述目标极化信息匹配的所述雷达特征图层的雷达特征信息,确定所述车辆所在的道路边界信息;
根据所述车辆的位置及所述道路边界信息,为所述车辆规划导航路径。
12.一种高精度地图的生成装置,其特征在于,所述装置包括:
获取单元,用于获取测量装置的雷达传感器采集的目标极化信息,所述目标极化信息用于描述目标边界信息和目标属性信息;
处理单元,用于根据所述目标极化信息和所述测量装置的定位信息,确定雷达特征图层;根据所述雷达特征图层,生成高精度地图。
13.如权利要求12所述的装置,其特征在于,所述获取单元,还用于:获取测量装置的雷达传感器采集的回波信号的极化信息;
所述处理单元,还用于根据所述极化信息,确定目标的边界特征和目标的材质特征;根据所述目标的边界特征和目标的材质特征,确定所述目标极化信息。
14.如权利要求12所述的装置,其特征在于,所述获取单元,具体用于:获取所述测量装置的雷达传感器采集的目标多普勒信息;
所述处理单元,具体用于根据所述目标多普勒信息确定所述目标极化信息中静止目标的极化信息;根据所述静止目标的极化信息和所述测量装置的定位信息,确定所述雷达特征图层。
15.如权利要求12-14任一项所述的装置,其特征在于,所述目标边界信息包括以下至少一项:道路在不同环境下的边界信息、道路净空在不同环境下的边界信息或路边物体在不同环境下的边界信息;
所述目标属性信息包括以下至少一项:道路边界在不同环境下的材质信息、道路净高在不同环境下的材质信息或路边物体在不同环境下的材质信息。
16.如权利要求12~14任一项所述的装置,其特征在于,所述处理单元,还用于:根据所述雷达传感器采集的目标极化信息中特征值大于第一特征阈值的目标极化信息和所述测量装置的定位信息,确定雷达特征图层;所述特征值包括以下至少一项:距离、水平角、俯仰角、目标多普勒信息、目标反射功率或测角精度。
17.如权利要求12~14任一项所述的装置,其特征在于,所述处理单元,还用于:根据所述目标极化信息和所述测量装置的定位信息,确定所述目标极化信息的权重;根据所述权重和所述目标极化信息,确定在所述雷达特征图层中所述定位信息对应的地图位置上的雷达特征信息;所述地图位置上的雷达特征信息用于为车辆提供定位信息。
18.一种定位装置,其特征在于,所述装置包括:
获取单元,用于获取车辆的雷达传感器在所述车辆当前行驶的道路上采集的目标极化信息,所述目标极化信息用于描述目标边界信息和目标属性信息;获取高精度地图的雷达特征图层;
处理单元,用于根据在所述车辆当前行驶的道路上采集的目标极化信息和所述雷达特征图层,确定与所述目标极化信息匹配的雷达特征图层中的雷达特征信息;根据所述雷达特征信息确定与所述雷达特征信息对应的定位信息;根据所述定位信息,确定所述车辆的位置。
19.如权利要求18所述的装置,其特征在于,所述获取单元,具体用于:获取雷达传感器在车辆当前行驶的道路上采集的回波信号的极化信息;
所述处理单元,具体用于:根据所述极化信息,确定目标的边界特征和目标的材质特征;根据所述目标的边界特征和目标的材质特征,确定所述目标极化信息。
20.如权利要求18或19所述的装置,其特征在于,所述获取单元,还用于:获取雷达传感器在所述车辆当前行驶的道路上采集的目标多普勒信息;
所述处理单元,还用于:根据所述目标多普勒信息确定所述目标极化信息中静止目标的极化信息;根据所述静止目标的极化信息和所述雷达特征图层,确定所述雷达特征信息。
21.如权利要求18-20任一项所述的装置,其特征在于,所述处理单元,具体用于:根据所述目标极化信息,确定所述目标极化信息对应的目标的边界特征和材质特征;根据所述目标极化信息对应的目标的材质特征,确定所述目标所在的环境;根据所述目标所在的环境及所述目标的边界特征,确定与所述目标极化信息匹配的雷达特征图层中的雷达特征信息。
22.如权利要求18-21任一项所述的装置,其特征在于,所述处理单元,具体用于:根据与所述目标极化信息匹配的所述雷达特征图层的雷达特征信息,确定所述车辆所在的道路边界信息;根据所述车辆的位置及所述道路边界信息,为所述车辆规划导航路径。
23.一种高精度地图的生成装置,其特征在于,包括:处理器和通信接口;
其中,所述处理器通过所述通信接口与存储器耦合,所述处理器用于执行所述存储器中的程序代码,以实现如权利要求1-6中任一项所述的方法。
24.一种定位装置,其特征在于,包括:处理器和通信接口;
其中,所述处理器通过所述通信接口与存储器耦合,所述处理器用于执行所述存储器中的程序代码,以实现如权利要求7-11中任一项所述的方法。
25.一种计算机可读存储介质,其特征在于,包括计算机指令,当所述计算机指令在被处理器运行时,使得所述高精度地图生成装置执行如权利要求1-6任一项所述的方法。
26.一种计算机可读存储介质,其特征在于,包括计算机指令,当所述计算机指令在被处理器运行时,使得所述定位装置执行如权利要求7-11任一项所述的方法。
27.一种计算机程序产品,其特征在于,当所述计算机程序产品在处理器上运行时,使得所述高精度地图生成装置执行如权利要求1-6任一项所述的方法。
28.一种计算机程序产品,其特征在于,当所述计算机程序产品在处理器上运行时,使得所述定位装置执行如权利要求7-11任一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010368565.0A CN113587941A (zh) | 2020-05-01 | 2020-05-01 | 高精度地图的生成方法、定位方法及装置 |
JP2022566319A JP2023523818A (ja) | 2020-05-01 | 2021-03-08 | 高精度地図生成方法、測位方法および装置 |
PCT/CN2021/079588 WO2021218388A1 (zh) | 2020-05-01 | 2021-03-08 | 高精度地图的生成方法、定位方法及装置 |
EP21796173.9A EP4137846A4 (en) | 2020-05-01 | 2021-03-08 | HIGH-PRECISION MAP GENERATION METHOD, LOCALIZATION METHOD AND DEVICE |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010368565.0A CN113587941A (zh) | 2020-05-01 | 2020-05-01 | 高精度地图的生成方法、定位方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113587941A true CN113587941A (zh) | 2021-11-02 |
Family
ID=78237747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010368565.0A Pending CN113587941A (zh) | 2020-05-01 | 2020-05-01 | 高精度地图的生成方法、定位方法及装置 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP4137846A4 (zh) |
JP (1) | JP2023523818A (zh) |
CN (1) | CN113587941A (zh) |
WO (1) | WO2021218388A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114429509A (zh) * | 2021-12-27 | 2022-05-03 | 北京百度网讯科技有限公司 | 新增道路的发现方法、装置以及电子设备 |
CN115390055A (zh) * | 2022-08-10 | 2022-11-25 | 南京远能电力工程有限公司 | 一种配网不停电作业毫米波距离监测装置及其监测方法 |
CN116088559A (zh) * | 2021-11-05 | 2023-05-09 | 北京三快在线科技有限公司 | 一种无人机控制系统、方法及无人机 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024003665A1 (ja) * | 2022-06-30 | 2024-01-04 | ロベルト•ボッシュ•ゲゼルシャフト•ミト•ベシュレンクテル•ハフツング | 情報処理装置、情報処理システム及び情報処理方法 |
DE102022211487A1 (de) | 2022-10-28 | 2024-05-08 | Continental Autonomous Mobility Germany GmbH | Verfahren zum Erstellen und Bereitstellen einer erweiterten Umgebungskarte |
CN116255976B (zh) * | 2023-05-15 | 2023-10-31 | 长沙智能驾驶研究院有限公司 | 地图融合方法、装置、设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2599482A1 (en) * | 2005-04-11 | 2006-10-19 | Navcom Technology, Inc. | Positioning system with co-polarized and cross-polarized mapping |
CN109031302A (zh) * | 2017-04-12 | 2018-12-18 | 福特全球技术公司 | 分析车辆环境的方法和装置以及装备有这种装置的车辆 |
WO2019076812A1 (de) * | 2017-10-16 | 2019-04-25 | Conti Temic Microelectronic Gmbh | Verfahren zur radar-klassifikation der strassenoberfläche |
CN109740475A (zh) * | 2018-12-25 | 2019-05-10 | 杭州世平信息科技有限公司 | 一种遥感图像地面场景分类方法 |
CN110223311A (zh) * | 2019-05-24 | 2019-09-10 | 杭州世平信息科技有限公司 | 基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法 |
CN110286384A (zh) * | 2019-06-25 | 2019-09-27 | 武汉理工大学 | 一种基于多线激光点云极化表征的高精度地图生成系统及方法 |
CN110660218A (zh) * | 2019-09-29 | 2020-01-07 | 上海莫吉娜智能信息科技有限公司 | 利用毫米波雷达的高精度地图制作方法及系统 |
CN110703221A (zh) * | 2019-10-16 | 2020-01-17 | 艾索信息股份有限公司 | 基于极化特征的城市低空小目标分类识别系统 |
CN110779534A (zh) * | 2018-07-25 | 2020-02-11 | Zf主动安全有限公司 | 用于创建车辆环境模型的系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017214020B4 (de) * | 2017-08-11 | 2023-12-21 | Audi Ag | Kraftfahrzeug mit mehreren Radarsensoren zur Umfelderfassung |
DE102017214964B4 (de) * | 2017-08-28 | 2019-08-01 | Audi Ag | Verfahren zur Ermittlung einer Umfeldkarte in einem Kraftfahrzeug und Kraftfahrzeug |
EP3557280B1 (en) * | 2018-04-18 | 2023-05-03 | Aptiv Technologies Limited | A device and a method for generating maps representing a surrounding environment of a vehicle |
US11133577B2 (en) * | 2018-05-24 | 2021-09-28 | Metawave Corporation | Intelligent meta-structure antennas with targeted polarization for object identification |
CN110850439B (zh) * | 2020-01-15 | 2020-04-21 | 奥特酷智能科技(南京)有限公司 | 一种高精度三维点云地图构建方法 |
-
2020
- 2020-05-01 CN CN202010368565.0A patent/CN113587941A/zh active Pending
-
2021
- 2021-03-08 JP JP2022566319A patent/JP2023523818A/ja not_active Withdrawn
- 2021-03-08 EP EP21796173.9A patent/EP4137846A4/en active Pending
- 2021-03-08 WO PCT/CN2021/079588 patent/WO2021218388A1/zh unknown
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2599482A1 (en) * | 2005-04-11 | 2006-10-19 | Navcom Technology, Inc. | Positioning system with co-polarized and cross-polarized mapping |
CN109031302A (zh) * | 2017-04-12 | 2018-12-18 | 福特全球技术公司 | 分析车辆环境的方法和装置以及装备有这种装置的车辆 |
WO2019076812A1 (de) * | 2017-10-16 | 2019-04-25 | Conti Temic Microelectronic Gmbh | Verfahren zur radar-klassifikation der strassenoberfläche |
CN110779534A (zh) * | 2018-07-25 | 2020-02-11 | Zf主动安全有限公司 | 用于创建车辆环境模型的系统 |
CN109740475A (zh) * | 2018-12-25 | 2019-05-10 | 杭州世平信息科技有限公司 | 一种遥感图像地面场景分类方法 |
CN110223311A (zh) * | 2019-05-24 | 2019-09-10 | 杭州世平信息科技有限公司 | 基于功率驱动自适应窗的极化雷达遥感图像边缘检测方法 |
CN110286384A (zh) * | 2019-06-25 | 2019-09-27 | 武汉理工大学 | 一种基于多线激光点云极化表征的高精度地图生成系统及方法 |
CN110660218A (zh) * | 2019-09-29 | 2020-01-07 | 上海莫吉娜智能信息科技有限公司 | 利用毫米波雷达的高精度地图制作方法及系统 |
CN110703221A (zh) * | 2019-10-16 | 2020-01-17 | 艾索信息股份有限公司 | 基于极化特征的城市低空小目标分类识别系统 |
Non-Patent Citations (1)
Title |
---|
刘佳琪 等, 中国宇航出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116088559A (zh) * | 2021-11-05 | 2023-05-09 | 北京三快在线科技有限公司 | 一种无人机控制系统、方法及无人机 |
CN116088559B (zh) * | 2021-11-05 | 2024-03-26 | 北京三快在线科技有限公司 | 一种无人机控制系统、方法及无人机 |
CN114429509A (zh) * | 2021-12-27 | 2022-05-03 | 北京百度网讯科技有限公司 | 新增道路的发现方法、装置以及电子设备 |
CN114429509B (zh) * | 2021-12-27 | 2024-03-26 | 北京百度网讯科技有限公司 | 新增道路的发现方法、装置以及电子设备 |
CN115390055A (zh) * | 2022-08-10 | 2022-11-25 | 南京远能电力工程有限公司 | 一种配网不停电作业毫米波距离监测装置及其监测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021218388A1 (zh) | 2021-11-04 |
EP4137846A1 (en) | 2023-02-22 |
JP2023523818A (ja) | 2023-06-07 |
EP4137846A4 (en) | 2023-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021218388A1 (zh) | 高精度地图的生成方法、定位方法及装置 | |
CN110208793B (zh) | 基于毫米波雷达的辅助驾驶系统、方法、终端和介质 | |
JP7280465B2 (ja) | ナビゲーション情報を処理する方法、ナビゲーション情報を処理する地図サーバコンピュータプログラム、自律車両のナビゲーションを支援する車両システム、および自律車両 | |
CN107250840B (zh) | 用于求得机动车在路面上的横向位置信息的方法和机动车 | |
US9759812B2 (en) | System and methods for intersection positioning | |
WO2022184127A1 (zh) | 一种车辆、传感器的仿真方法及装置 | |
US20150378015A1 (en) | Apparatus and method for self-localization of vehicle | |
Feng et al. | Lane detection with a high-resolution automotive radar by introducing a new type of road marking | |
Wang et al. | Automatic road extraction from mobile laser scanning data | |
US6597984B2 (en) | Multisensory correlation of traffic lanes | |
CN109398358A (zh) | 车辆控制装置、车辆控制方法及存储程序的介质 | |
CN110567465B (zh) | 使用精度规范定位车辆的系统和方法 | |
US20210224557A1 (en) | Driving Support Method and Driving Support Device | |
JP2020067402A (ja) | センサ校正方法、及びセンサ校正装置 | |
CN114063061A (zh) | 用于通过多个传感器监测车辆的方法 | |
CA2902086C (en) | A method and device for determining a detection range of a traffic route | |
WO2023025777A1 (en) | Automotive sensor fusion of radar, lidar, camera systems with improved safety by use of machine learning | |
US20210149052A1 (en) | Planimetric Feature Data Structure | |
CN109964132B (zh) | 用于在运动物体上配置传感器的方法、设备和系统 | |
JP7323146B2 (ja) | 情報処理方法、プログラム、及び情報処理装置 | |
WO2022230029A1 (ja) | 走行可能領域抽出装置、システム、及び方法並びに非一時的なコンピュータ可読媒体 | |
CN220855184U (zh) | 矿卡的环境感知系统和矿卡 | |
KR102276597B1 (ko) | 벡터맵을 이용한 라이다 데이터 범위 최적화를 위한 차량 제어 장치 및 방법 | |
US20230222908A1 (en) | Roadway information detection system consists of sensors on the autonomous vehicles and devices for the road | |
Barros Cardoso da Silva et al. | Novel post-Doppler STAP with a priori knowledge information for traffic monitoring applications |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211102 |