CN108445503B - 基于激光雷达与高精度地图融合的无人驾驶路径规划算法 - Google Patents

基于激光雷达与高精度地图融合的无人驾驶路径规划算法 Download PDF

Info

Publication number
CN108445503B
CN108445503B CN201810198483.9A CN201810198483A CN108445503B CN 108445503 B CN108445503 B CN 108445503B CN 201810198483 A CN201810198483 A CN 201810198483A CN 108445503 B CN108445503 B CN 108445503B
Authority
CN
China
Prior art keywords
precision map
obstacle
path
obstacles
unmanned
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
CN201810198483.9A
Other languages
English (en)
Other versions
CN108445503A (zh
Inventor
高镇海
安靖雅
胡宏宇
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.)
Jilin University
Original Assignee
Jilin University
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 Jilin University filed Critical Jilin University
Priority to CN201810198483.9A priority Critical patent/CN108445503B/zh
Publication of CN108445503A publication Critical patent/CN108445503A/zh
Application granted granted Critical
Publication of CN108445503B publication Critical patent/CN108445503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
    • 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
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3469—Fuel consumption; Energy use; Emission aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于激光雷达与高精度地图融合的无人驾驶路径规划算法，包括基于激光雷达的目标障碍物识别算法、通过障碍物模糊标记可行驶区域覆盖算法与融合高精度地图的最优路径规划算法，充分利用障碍物的位置信息，模糊计算出可行驶区域，通过与预先存储的高精度地图对比得到最优路径。本发明有利于无人驾驶车辆完成在城市工况下多障碍物区域进行路径选择和规划，保障无人驾驶车辆实现自主驾驶的功能。

Description

基于激光雷达与高精度地图融合的无人驾驶路径规划算法
技术领域
本发明涉及汽车领域技术，特别涉及无人驾驶汽车在城市工况下的轨迹规划算法。
背景技术
美国科学家对交通事故研究分析后指出事故原因均不同程度的涉及到驾驶员、道路环境因素，驾驶员因素占57％(英国为65％)，且驾驶员-车辆-道路因素占94％(英国为95％)。我国道路交通事故因素的研究报告也指出由驾驶员因素而引起的交通事故率达到90％，其中每年因驾驶员疲劳驾驶事故发生率为40％，因此无论从保护环境、节约能源还是从道路交通安全方面都急需无人驾驶汽车技术的发展。
路径规划算法在无人驾驶汽车研究范围中有着举足轻重的地位，是无人车导航系统的重要组成模块，是无人驾驶汽车顺利到达目标点的保障。无人驾驶路径规划是指在有障碍物的工作环境中，为无人车寻找从起始点到目标点的行驶路径，指引无人车在行驶过程中无碰撞的通过所有障碍物，到达目的地，它是汽车实现智能化和完全自主行驶的关键技术。
轨迹规划算法有全局与局部两种，通常无人车全局路径规划分为三步：采用算法模型划分工作空间，设立包含障碍物等信息的搜索空间以及对该空间进行搜寻，寻找出最优路径。当无人车运行环境信息部分已知或完全未知时，无人驾驶汽车须通过车载传感器或摄像头实时获取环境信息，根据相应的局部路径规划算法引导无人车到达目标点。
目前，大多数轨迹规划算法都根据传感器提供的障碍物信息寻找最优路径，然而在较为复杂的环境下，在短时间内搜索到最为合适的路径十分困难且鲁棒性差，若没有其他参考，很有可能产生错误判断导致交通事故的发生；目前无人驾驶可以利用高精度地图实现预定道路下的循迹驾驶，但高精度地图也存在一定误差，无法与实际环境信息完全一致。
将高精度地图融合于轨迹规划算法将是一种可靠的，鲁棒性高的新的轨迹规划算法，如何将为无人驾驶的实时规划路径提供云端参照物，并结合实际障碍物位置准确判断最优路径，这是本领域研究人员目前需要解决的技术问题。
发明内容
本发明的目的是提供一种基于激光雷达与高精度地图融合的无人驾驶路径规划算法，保障车辆完成复杂环境下的无人驾驶或测试任务，提高车辆行驶安全性。
为解决上述技术问题，本发明提供了一种基于激光雷达与高精度地图融合的无人驾驶路径规划算法，包括：
基于激光雷达的目标障碍物识别算法；
通过障碍物模糊标记的可行驶区域覆盖算法；
融合高精度地图的最优路径规划算法。
优选地，所述基于激光雷达的目标障碍物识别算法包括：
至少使用一个激光雷达采集无人驾驶过程的实时环境数据；
对当前环境数据预处理，对预处理后的点云数据栅格化，生成周围环境点云栅格地图；
选取一定的搜索半径对点云数据进行欧式聚类，得到障碍物信息。
优选地，所述通过障碍物模糊标记的可行驶区域覆盖算法包括：
对障碍物坐标位置进行模糊标记；
对除障碍物外所有区域标记为可行驶区域。
优选地，所述融合高精度地图的最优路径规划算法包括：
根据无人驾驶目的地位置、当前位置以及可行驶区域，拟合多条可行驶路径算法；
与高精度地图对比特征障碍物定位当前位置；
与高精度地图对比预定行驶轨迹得到最优轨迹。
优选地，所述高精度地图为预先存储的带有障碍物标记的高精度地图。
本发明所提供的轨迹规划算法可有效为车辆提供行驶轨迹，利用环境感知传感器提供的障碍物坐标与高精度地图对比融合即可快速高效生成行驶轨迹，为无人驾驶车辆在复杂工况下的测试及驾驶任务提供技术参考。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例的路径规划算法实施流程图；
图2为本发明实施例的目标障碍物识别算法实现流程图；
图3为本发明实施例的融合高精度地图的最优路径规划算法实现流程图；
图4为本发明实施例的未融合高精度地图的路径规划示意图；
图5为本发明实施例的融合高精度地图最佳路径示意图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了使本技术领域的技术人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
如图1至图3所示为本发明实施例的路径规划算法实施流程图。图1为本发明路径规划整体算法流程框图；图2为本发明中环境感知障碍物识别部分算法流程图；图3为本发明中融合高精度地图部分算法流程图。
本发明提供的一种基于激光雷达与高精度地图融合的无人驾驶路径规划算法，包括：
基于激光雷达的目标障碍物识别算法；
通过障碍物模糊标记的可行驶区域覆盖算法；
融合高精度地图的最优路径规划算法。
优选地，所述基于激光雷达的目标障碍物识别算法包括：
至少使用一个激光雷达采集无人驾驶过程的实时环境数据；
对当前环境数据预处理，对预处理后的点云数据栅格化，生成周围环境点云栅格地图；
选取一定的搜索半径对点云数据进行欧式聚类，得到障碍物信息。
优选地，所述通过障碍物模糊标记的可行驶区域覆盖算法包括：
对障碍物坐标位置进行模糊标记；
对除障碍物外所有区域标记为可行驶区域。
优选地，所述融合高精度地图的最优路径规划算法包括：
根据无人驾驶目的地位置、当前位置以及可行驶区域，拟合多条可行驶路径算法；
与高精度地图对比特征障碍物定位当前位置；
与高精度地图对比预定行驶轨迹得到最优轨迹。
如图1所示，本发明提供的路径算法依赖于感知设备提供的障碍物信息并对可行驶区域进行划分以便在安全范围内进行行驶路径的规划。由高精度地图可以预判前方障碍物以及行驶路径，但常常不完全一致，存在误差。通过实际障碍物位置与高精度地图中标记障碍物位置信息进行对比确定高精度地图与实际环境误差，纠正高精度地图路径，实现路径最优。
概括来说，本算法的核心在于将高精度地图与传感器实时信息对比，降低了单独利用传感器信息规划路径的复杂度，减少了计算资源的占用，相比于单独利用高精度地图循迹也提高了其规划的准确度，避免因为地图与环境相差过大出现重大驾驶事故的可能。
具体来说，如图2所示，在实时环境感知算法上，采用至少一个激光雷达采集实时环境信息，雷达采集的点云数据通常数据量非常大，需要进行预处理减少后期运算量保证算法的鲁棒性。通过滤波操作去除地面以及杂波的干扰，根据航向角可以判断车辆目前的行驶方向，我们主要关注前方和侧方近距离的障碍物信息。所以在进行滤波操作时裁剪掉侧方远距离环境信息，以减少数据量。对预处理后的点云数据栅格化，生成栅格地图以便于判断障碍物位置。通过欧式聚类算法选择合适的搜索半径(需结合实际测试)可以将离散的障碍物点云数据根据点云离散度聚合成不同的障碍物，并用坐标标记障碍物位置。如图4所示，图中，区域11表示为滤波后保留的数据范围，根据聚类算法可以将无序点云标记为图中的障碍物1、2、3、4、5边框。利用中心点的坐标(x，y，z)与障碍物序号一一对应。
利用雷达获得障碍物信息后，在雷达可扫描的环境范围内，除标记障碍物外的区域模糊标记为可行驶区域，如图4中区域11内除障碍物1、2、3、4、5边框外的区域。为下一步与高精度地图融合确定路径的最大范围。如图4所示，引入预先存储的带有障碍物标记的高精度地图，将所扫描到的环境信息与高精度地图相匹配。将当前车辆所在位置的经纬度地图转换为车辆坐标系下的xyz坐标地图。如图5中所示，障碍物1’、2’、3’、4’、5’为高精度地图中预先标记的障碍物,将预先标记好的障碍物的位置信息与感知层获得的障碍物位置比对，误差小于一定范围即可匹配为同一障碍物(只匹配静态障碍物)以此类推。关注于每一对匹配障碍物的误差，类似于图5中障碍物1与障碍物1’之间的对应关系，它们有类似平移的关系。同理，高精度地图所提供的可行驶路径l’与我们所期望的路径l之间也是这样的平行关系。所以利用匹配障碍物之间的坐标变换，将整体高精度地图坐标变换其所匹配的实际环境中的障碍物坐标，路径坐标也随之改变。得到期望的最佳路径l。
以上对本发明所提供的无人驾驶汽车特殊在特殊工况下的轨迹规划算法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (1)

1.一种基于激光雷达与高精度地图融合的无人驾驶路径规划算法，其特征在于，包括：
S1.基于激光雷达的目标障碍物识别算法，包括：
至少使用一个激光雷达采集无人驾驶过程的实时环境数据；
对当前环境数据预处理，对预处理后的点云数据栅格化，生成周围环境点云栅格地图；
选取一定的搜索半径对点云数据进行欧式聚类，得到障碍物信息；
S2.通过障碍物模糊标记的可行驶区域覆盖算法，包括：
对障碍物坐标位置进行模糊标记；
对除障碍物外所有区域标记为可行驶区域；
S3.融合高精度地图的最优路径规划算法，包括：
根据无人驾驶目的地位置、当前位置以及可行驶区域，拟合多条可行驶路径算法；
与高精度地图对比特征障碍物定位当前位置：引入预先存储的带有障碍物标记的高精度地图，将所扫描到的环境信息与高精度地图相匹配，将高精地图中预先标记好的障碍物1’与所述步骤S1获得的障碍物1进行匹配；
与高精度地图对比预定行驶轨迹得到最优轨迹：所述步骤S1获得的障碍物1与高精地图中预先标记的障碍物1’之间有平移关系；高精度地图所提供的可行驶路径l’与期望的路径l之间存在同样的平移关系；利用匹配障碍物之间的坐标变换，将整体高精度地图坐标变换其所匹配的实际环境中的障碍物坐标，路径坐标也随之改变，得到期望的最佳路径l。
CN201810198483.9A 2018-03-12 2018-03-12 基于激光雷达与高精度地图融合的无人驾驶路径规划算法 Active CN108445503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810198483.9A CN108445503B (zh) 2018-03-12 2018-03-12 基于激光雷达与高精度地图融合的无人驾驶路径规划算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810198483.9A CN108445503B (zh) 2018-03-12 2018-03-12 基于激光雷达与高精度地图融合的无人驾驶路径规划算法

Publications (2)

Publication Number Publication Date
CN108445503A CN108445503A (zh) 2018-08-24
CN108445503B true CN108445503B (zh) 2021-09-14

Family

ID=63194560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810198483.9A Active CN108445503B (zh) 2018-03-12 2018-03-12 基于激光雷达与高精度地图融合的无人驾驶路径规划算法

Country Status (1)

Country Link
CN (1) CN108445503B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109085836A (zh) * 2018-08-29 2018-12-25 深圳市浦硕科技有限公司 一种扫地机器人回指定位置最短路线的方法
CN109212555A (zh) * 2018-10-12 2019-01-15 合肥中科智驰科技有限公司 基于三维激光雷达的可通行区域检测方法
CN109784526B (zh) * 2018-12-05 2023-02-28 阿波罗智能技术(北京)有限公司 通行路径的规划方法、装置、设备及可读存储介质
CN110134120A (zh) * 2019-04-11 2019-08-16 广东工业大学 一种非结构路面下基于多线激光雷达的路径规划方法
CN110045376B (zh) * 2019-04-28 2021-06-01 森思泰克河北科技有限公司 可行驶区域获取方法、计算机可读存储介质及终端设备
CN112154429B (zh) * 2019-07-29 2024-03-19 深圳市大疆创新科技有限公司 高精度地图定位方法、系统、平台及计算机可读存储介质
CN112660146B (zh) * 2019-09-30 2024-06-14 北京百度网讯科技有限公司 控制车辆的方法、装置、设备和存储介质
CN110986990B (zh) * 2019-12-25 2023-03-28 西安主函数智能科技有限公司 封闭环境无人驾驶工程车路径规划方法及系统
CN113002540B (zh) * 2020-04-17 2022-11-25 青岛慧拓智能机器有限公司 矿用自卸车控制方法及装置
CN111806997B (zh) * 2020-07-07 2022-09-30 北京木跃智能科技有限公司 一种柔性输送带及其轨迹规划方法
CN112590775B (zh) * 2020-12-22 2022-02-22 中国第一汽车股份有限公司 一种自动泊车方法、装置、车辆及存储介质
CN112859008A (zh) * 2021-01-19 2021-05-28 英博超算(南京)科技有限公司 一种前向毫米波雷达性能提升方法
CN113212455A (zh) * 2021-05-24 2021-08-06 福建盛海智能科技有限公司 一种提高无人驾驶循迹精度的方法及终端
CN113032285B (zh) * 2021-05-24 2021-08-13 湖北亿咖通科技有限公司 一种高精地图测试方法、装置、电子设备及存储介质
CN113819917A (zh) * 2021-09-16 2021-12-21 广西综合交通大数据研究院 自动驾驶路径规划方法、装置、设备及存储介质
CN113587951A (zh) * 2021-09-30 2021-11-02 国汽智控(北京)科技有限公司 路径规划方法、装置、系统、服务器、存储介质及产品
CN115540896B (zh) * 2022-12-06 2023-03-07 广汽埃安新能源汽车股份有限公司 路径规划方法、装置、电子设备和计算机可读介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101900562A (zh) * 2009-05-29 2010-12-01 通用汽车环球科技运作公司 采用基于分割方法的畅通路径检测
CN102393744A (zh) * 2011-11-22 2012-03-28 湖南大学 一种无人驾驶汽车的导航方法
CN107490382A (zh) * 2017-07-31 2017-12-19 中北智杰科技（北京）有限公司 一种无人驾驶汽车路径规划系统及控制方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6385539B1 (en) * 1999-08-13 2002-05-07 Daimlerchrysler Ag Method and system for autonomously developing or augmenting geographical databases by mining uncoordinated probe data
US9199668B2 (en) * 2013-10-28 2015-12-01 GM Global Technology Operations LLC Path planning for evasive steering maneuver employing a virtual potential field technique
CN105513391A (zh) * 2016-01-19 2016-04-20 吉林大学 一种基于车路协同技术的车载虚拟道路状态显示系统
DE102016205870A1 (de) * 2016-04-08 2017-10-12 Robert Bosch Gmbh Verfahren zur Bestimmung einer Pose eines wenigstens teilautomatisiert fahrenden Fahrzeugs in einer Umgebung mittels Landmarken
CN105946853B (zh) * 2016-04-28 2018-05-29 中山大学 基于多传感器融合的长距离自动泊车的系统及方法
CN106441275A (zh) * 2016-09-23 2017-02-22 深圳大学 一种机器人规划路径的更新方法及装置
CN106383918A (zh) * 2016-11-17 2017-02-08 吉林大学 一种辨别紧急制动行为是否合理的系统及辨别方法
CN106767853B (zh) * 2016-12-30 2020-01-21 中国科学院合肥物质科学研究院 一种基于多信息融合的无人驾驶车辆高精度定位方法
CN106981215B (zh) * 2017-03-23 2020-09-11 北京联合大学 一种多传感器组合式的自动泊车车位引导方法
CN107643752B (zh) * 2017-05-09 2020-12-08 清研华宇智能机器人（天津）有限责任公司 基于行人轨迹预测的全向移动机器人路径规划算法
CN107037817A (zh) * 2017-06-19 2017-08-11 吉林大学 一种智能电动车纵侧向集成控制平台及车辆
CN107272687A (zh) * 2017-06-29 2017-10-20 深圳市海梁科技有限公司 一种自动驾驶公交车辆的驾驶行为决策系统
CN107219853B (zh) * 2017-07-10 2023-10-20 张德雨 一种基于机器人的开放式自动化导航方法及系统
CN107632308B (zh) * 2017-08-24 2021-02-05 吉林大学 一种基于递归叠加算法的车辆前方障碍物轮廓检测方法
CN107544501A (zh) * 2017-09-22 2018-01-05 广东科学技术职业学院 一种智能机器人智慧行走控制系统及其方法
CN107544507A (zh) * 2017-09-28 2018-01-05 速感科技（北京）有限公司 可移动机器人移动控制方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101900562A (zh) * 2009-05-29 2010-12-01 通用汽车环球科技运作公司 采用基于分割方法的畅通路径检测
CN102393744A (zh) * 2011-11-22 2012-03-28 湖南大学 一种无人驾驶汽车的导航方法
CN107490382A (zh) * 2017-07-31 2017-12-19 中北智杰科技（北京）有限公司 一种无人驾驶汽车路径规划系统及控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Improving Path Planning and Mapping Based on Stereo Vision and Lidar;Peyman Moghadam;《IEEE Xplore》;20081231;384-389 *
基于人机智能融合的移动机器人路径规划方法研究;刘多能;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120715;全文 *

Also Published As

Publication number Publication date
CN108445503A (zh) 2018-08-24

Similar Documents

Publication Publication Date Title
CN108445503B (zh) 基于激光雷达与高精度地图融合的无人驾驶路径规划算法
CN107063275B (zh) 基于路侧设备的智能车辆地图融合系统及方法
EP3673407B1 (en) Automatic occlusion detection in road network data
CN106969779B (zh) 基于dsrc的智能车辆地图融合系统及方法
Suhr et al. Sensor fusion-based low-cost vehicle localization system for complex urban environments
CN106767853B (zh) 一种基于多信息融合的无人驾驶车辆高精度定位方法
US11321950B2 (en) Apparatus and method for detecting lane information, and computer-readable recording medium storing computer program programmed to execute same method
CN111797734B (zh) 车辆点云数据处理方法、装置、设备和存储介质
CN105928531B (zh) 一种适用于无人驾驶汽车的行进路线精准生成方法
CN110111566A (zh) 轨迹预测方法、装置和存储介质
KR102613839B1 (ko) 긴급 차량들의 검출
US20140236463A1 (en) Enhanced clear path detection in the presence of traffic infrastructure indicator
CN111750886A (zh) 局部路径规划方法及装置
CN110648548A (zh) 一种基于路侧设备的路面安全性检测系统及方法
CN115552200A (zh) 用于生成重要性占据栅格地图的方法和系统
US11035679B2 (en) Localization technique
CN112116031A (zh) 基于路侧设备的目标融合方法、系统、车辆及存储介质
CN114442101A (zh) 基于成像毫米波雷达的车辆导航方法、装置、设备及介质
JP2021082286A (ja) 車線変更の検出を改良するためのシステム、非一時的コンピュータ可読媒体および方法
CN111506069A (zh) 一种全天候全地面起重机障碍识别系统及方法
Tsiakas et al. Autonomous vehicle navigation in semi-structured environments based on sparse waypoints and LiDAR road-tracking
Bernardi et al. High integrity lane-level occupancy estimation of road obstacles through LiDAR and HD map data fusion
CN111650604B (zh) 利用精确定位实现自我车辆和周边障碍物精确探知的方法
Jo et al. Hybrid local route generation combining perception and a precise map for autonomous cars
Chen et al. Improving Autonomous Vehicle Mapping and Navigation in Work Zones Using Crowdsourcing Vehicle Trajectories

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