CN108961353A - 道路模型的构建 - Google Patents
道路模型的构建 Download PDFInfo
- Publication number
- CN108961353A CN108961353A CN201710357043.9A CN201710357043A CN108961353A CN 108961353 A CN108961353 A CN 108961353A CN 201710357043 A CN201710357043 A CN 201710357043A CN 108961353 A CN108961353 A CN 108961353A
- Authority
- CN
- China
- Prior art keywords
- road
- potential
- pass
- information
- passing
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 238000000605 extraction Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- 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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Abstract
本发明涉及道路模型的构建，属于自动驾驶技术领域。本发明的道路模型的构建方法包括步骤：基于来自传感器所感测的至少关于道路的信息建立栅格图；基于栅格图中的关于障碍物目标的信息计算获得多条潜在可通行轨迹；对多条可通行轨迹进行聚类处理从而获得潜在可通行路径；从栅格图中提取关于道路的道路边界信息；基于道路边界信息从潜在可通行路径中确定并构建可通行道路；以及对可通行道路进行平滑处理，从而构建相应的道路模型。本发明的方法能够在非结构化道路环境下构建相应的道路模型，道路模型构建准确，构建速度快。
Description
技术领域
本发明属于自动驾驶技术领域，涉及道路模型的构建。
背景技术
具有自动驾驶功能的车辆在正常行驶过程中，需要通过传感器对其所在位置的周围道路环境进行感测并重构，从而获得道路模型。构建的道路模型可以作为车辆行驶的参考车道，根据预先路径规划，车辆的自动驾驶系统可以从参考车道中确定相应的道路行驶。因此，构建道路模型对于实现车辆的自动驾驶功能，特别是车辆的横向控制，起着重要作用。
目前，构建道路模型存在以下方法：通过安装在车辆上的图像传感器感测出车道线，可以快速构建出道路模型。然而，该构建道路模型的方法依赖于车道线的存在或可感测性，对于车道线模糊、车道线部分缺失或者车道线完全不存在的非结构化道路，难以适用，例如，对于复杂环境或越野环境中的道路，对于处于施工状态中的道路等，均难以构建出相应的道路模型。
发明内容
本发明的目的在于，能够在非结构化道路环境下构建相应的道路模型。
为实现以上目的或者其他目的，本发明提供以下技术方案。
按照本发明的一方面，提供一种道路模型的构建方法，包括步骤：
基于来自传感器所感测的至少关于道路的信息建立栅格图；
基于所述栅格图中的关于障碍物目标的信息计算获得M条潜在可通行轨迹，其中M为大于或等于2的整数；
对M条可通行轨迹进行聚类处理从而获得N条潜在可通行路径，其中N为大于或等于1且小于M的整数；
从栅格图中提取关于道路的道路边界信息；
基于所述道路边界信息从所述N条潜在可通行路径中确定并构建可通行道路，其中L为小于或等于N的整数；以及
对所述可通行道路进行平滑处理，从而构建相应的道路模型。
根据本发明一实施例的构建方法，其中，采用K-Means算法对M条潜在可通行轨迹进行聚类处理。
根据本发明一实施例的构建方法，其中，在对M条可通行轨迹进行聚类处理从而获得N条潜在可通行路径的步骤中，包括以下子步骤：
（a）从M条潜在可通行轨迹的远端点中选出K个远端点作为聚类中心点，其中，K为大于或等于1且小于M的整数；
（b）对于每个聚类中心点，计算得到距离该聚类中心点相对最近的M/K个远端点，并将该M/K个远端点归集形成对应该聚类中心点的远端点集合；
（c）对每个聚类中心点对应的远端点集合计算坐标平均值，并将该坐标平均值对应的点替换在先的聚类中心点而作为新的聚类中心点；
（d）判断新的聚类中心点相对在先的聚类中心点的坐标偏移是否小于或等于预定阈值，如果判断为“否”，返回子步骤（b），如果判断为“是”，进入子步骤（e）；
（e）基于该新的聚类中心点对应的远端点的集合所对应的潜在可通行轨迹形成所述潜在可通行路径。
根据本发明一实施例的构建方法，其中，在对M条可通行轨迹进行聚类处理从而获得N条潜在可通行路径的步骤中，在K=n至K=1的情况下依次执行子步骤（a）至（d），如果K个聚类中心点中的任意一个不能或难以实现子步骤（d），则放弃该K值，如果K个聚类中心点中的任意一个均能实现子步骤（d），那么，在子步骤（e）形成N条所述潜在可通行路径，此时，N等于该K值；其中，n为大于或等于2且小于或等于5的整数。
根据本发明一实施例的构建方法，其中，在提取关于道路的道路边界信息的步骤中，包括以下子步骤：
确定每条所述潜在可通行路径在所述栅格图中对应的多个结点；
在所述栅格图中标记出空间上对应为障碍物目标的栅格单元；
对每条所述潜在可通行路径的每个结点，计算得到距离每个所述结点不超过预定值的所有所述栅格单元，并将该栅格单元对应于每条所述潜在可通行路径归集形成栅格单元集合；
基于每条所述潜在可通行路径的栅格单元集合形成该所述潜在可通行路径对应的初始道路边界信息；以及
评估所述初始道路边界信息以判断是否为有效的道路边界信息，如果判断为“是”，将该初始道路边界信息作为关于道路的道路边界信息。
根据本发明一实施例的构建方法，其中，在所述评估所述初始道路边界信息的子步骤中，引入概率模型作为评价函数来对所述初始道路边界信息进行评估，其中，评价函数的变量包括以下的一个或多个：道路边界宽度、道路边界组成分布、道路终点方向、道路边界长度。
根据本发明一实施例的构建方法，其中，在确定并构建可通行道路的步骤中，仅将对应具有道路边界信息的所述潜在可通行路径作为可通行道路。
根据本发明一实施例的构建方法，其中，在所述平滑处理步骤中，包括以下子步骤：
对每条所述可通行道路对应的道路边界信息中的道路左边界信息和道路右边界信息分别进行拟合计算得到第一和第二多阶多项式，基于所述第一和第二多阶多项式得到每条可通行道路的平滑后的道路左边界信息和道路右边界信息；以及
基于每条所述可通行道路的道路左边界信息和道路右边界信息的第一和第二多阶多项式，得到每条所述可通行道路的中心线的第三多阶多项式，基于该第三多阶多项式得到每条所述可通行道路的平滑后的中心线。
可选地，所述第一、第二和第三多阶多项式为三阶多项式。
按照本发明的又一方面，提供一种道路模型的构建装置，包括：
用于基于来自传感器所感测的至少关于道路的信息建立栅格图的程序模块；
用于基于所述栅格图中的关于障碍物目标的信息计算获得M条潜在可通行轨迹的程序模块，其中M为大于或等于2的整数；
用于对M条可通行轨迹进行聚类处理从而获得N条潜在可通行路径的程序模块，其中N为大于或等于1且小于M的整数；
用于从栅格图中提取关于道路的道路边界信息的程序模块；
用于基于所述道路边界信息从所述N条潜在可通行路径中确定并构建可通行道路的程序模块，其中L为小于或等于N的整数；以及
用于对所述可通行道路进行平滑处理从而构建相应的道路模型的程序模块。
根据本发明一实施例的构建装置，其中，采用K-Means算法对M条潜在可通行轨迹进行聚类处理。
根据本发明一实施例的构建装置，其中，在对M条可通行轨迹进行聚类处理从而获得N条潜在可通行路径的程序模块中，包括以下子程序模块：
子程序模块（a），其用于从M条潜在可通行轨迹的远端点中选出K个远端点作为聚类中心点，其中，K为大于或等于1且小于M的整数；
子程序模块（b），其用于对于每个聚类中心点计算得到距离该聚类中心点相对最近的M/K个远端点，并将该M/K个远端点归集形成对应该聚类中心点的远端点集合；
子程序模块（c），其用于对每个聚类中心点对应的远端点集合计算坐标平均值，并将该坐标平均值对应的点替换在先的聚类中心点而作为新的聚类中心点；
子程序模块（d），其用于判断新的聚类中心点相对在先的聚类中心点的坐标偏移是否小于或等于预定阈值，如果判断为“否”，返回步骤（b），如果判断为“是”，进入子程序模块（e）；以及
子程序模块（e），其用于基于该新的聚类中心点对应的远端点的集合所对应的潜在可通行轨迹形成所述潜在可通行路径。
根据本发明一实施例的构建装置，其中，在提取关于道路的道路边界信息的程序模块中，包括以下子程序模块：
用于确定每条所述潜在可通行路径在所述栅格图中对应的多个结点的子程序模块；
用于在所述栅格图中标记出空间上对应为障碍物目标的栅格单元的子程序模块；
用于对每条所述潜在可通行路径的每个结点、计算得到距离每个所述结点不超过预定值的所有所述栅格单元、并将该栅格单元对应于每条所述潜在可通行路径归集形成栅格单元集合的子程序模块；
用于基于每条所述潜在可通行路径的栅格单元集合形成该所述潜在可通行路径对应的初始道路边界信息的子程序模块；以及
用于评估所述初始道路边界信息以判断是否为有效的道路边界信息的子程序模块，其中，如果判断为“是”，将该初始道路边界信息作为关于道路的道路边界信息。
根据本发明一实施例的构建装置，其中，在用于评估所述初始道路边界信息的子程序模块中，引入概率模型作为评价函数来对所述初始道路边界信息进行评估，其中，评价函数的变量包括以下的一个或多个：道路边界宽度、道路边界组成分布、道路终点方向、道路边界长度。
根据本发明一实施例的构建装置，其中，在用于对所述可通行道路进行平滑处理从而构建相应的道路模型的程序模块中，包括以下子程序模块：
子程序模1，其用于对每条所述可通行道路对应的道路边界信息中的道路左边界信息和道路右边界信息分别进行拟合计算得到第一和第二多阶多项式，基于所述第一和第二多阶多项式得到每条可通行道路的平滑后的道路左边界信息和道路右边界信息；以及
子程序模2，其用于基于每条所述可通行道路的道路左边界信息和道路右边界信息的第一和第二多阶多项式，得到每条所述可通行道路的中心线的第三多阶多项式，基于该第三多阶多项式得到每条所述可通行道路的平滑后的中心线。
按照本发明的还一方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以上任一所述构建方法的步骤。
按照本发明的再一方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行以实现以上任一所述构建方法的步骤。
按照本发明的还又一方面，提供一种用于车辆的自动驾驶系统，其包括：
用于感测至少关于道路的信息的传感器；以及
以上所述的计算机设备。
本发明的道路模型的构建是基于障碍物目标信息来确定可行驶区域从而最终确定可通行道路的，可以不依赖于道路中的车道线来实现，因此，适用于各种道路环境下的道路模型的构建，能够在非结构化道路环境下构建相应的道路模型，道路模型构建准确；并且，构建速度快，基本能够实时地构建道路模型，对传感器类型的限制性要求低。
附图说明
从结合附图的以下详细说明中，将会使本发明的上述和其他目的及优点更加完整清楚，其中，相同或相似的要素采用相同的标号表示。
图1是按照本发明一实施例的道路模型的构建方法的流程示意图。
图2是应用图1所示实施例的方法在某一场景下构建道路模型的过程示意图。
图3是按照本发明一实施例的道路模型的构建方法中的获得潜在可通行路径的流程示意图。
图4是按照本发明一实施例的道路模型的构建方法中的提取道路边界信息的流程示意图。
图5是按照本发明一实施例的车辆用的自动驾驶系统的模块结构示意图。
具体实施方式
现在将参照附图更加完全地描述本发明，附图中示出了本发明的示例性实施例。但是，本发明可按照很多不同的形式实现，并且不应该被理解为限制于这里阐述的实施例。相反，提供这些实施例使得本公开变得彻底和完整，并将本发明的构思完全传递给本领域技术人员。附图中，相同的标号指代相同的元件或要素，因此，将省略对它们的描述。
下文参考根据本发明实施例的方法、系统和装置的流程图说明、框图和/或流程图来描述本发明。将理解这些流程图说明和/或框图的每个框、以及流程图说明和/或框图的组合可以由计算机程序指令来实现。可以将这些计算机程序指令提供给通用计算机、专用计算机或其他可编程数据处理设备的处理器以构成机器，以便由计算机或其他可编程数据处理设备的处理器执行的这些指令创建用于实施这些流程图和/或框和/或一个或多个流程框图中指定的功能/操作的部件。
可以将这些计算机程序指令存储在计算机可读存储器中，这些指令可以指示计算机或其他可编程处理器以特定方式实现功能，以便存储在计算机可读存储器中的这些指令构成包含实施流程图和/或框图的一个或多个框中指定的功能/操作的指令部件的制作产品。
可以将这些计算机程序指令加载到计算机或其他可编程数据处理器上以使一系列的操作步骤在计算机或其他可编程处理器上执行，以便构成计算机实现的进程，以使计算机或其他可编程数据处理器上执行的这些指令提供用于实施此流程图和/或框图的一个或多个框中指定的功能或操作的步骤。还应该注意在一些备选实现中，框中所示的功能/操作可以不按流程图所示的次序来发生。例如，依次示出的两个框实际可以基本同时地执行或这些框有时可以按逆序执行，具体取决于所涉及的功能/操作。
图1所示为按照本发明一实施例的道路模型的构建方法的流程示意图，图2所示为应用图1所示实施例的方法在某一场景下构建道路模型的过程示意图；图3所示为按照本发明一实施例的道路模型的构建方法中的获得潜在可通行路径的流程示意图；图4所示为按照本发明一实施例的道路模型的构建方法中的提取道路边界信息的流程示意图。以下结合图1至图4所示，以车辆或汽车91在道路中行驶时实时地构建道路模型来示例说明本发明的方法。
首先，步骤S10，基于来自传感器所感测的至少关于道路的信息建立栅格图70。如图2（a）所示，车辆91在道路行驶时，假设车辆91前方的场景为92，场景92中通过多个路障实际上构建了两条道路，也就是说，存在两条真实的道路是车辆91可通行或可行驶的。这两条真实的道路是非结构化的道路，例如，没有相应的车道线等。
需要说明的是，关于道路的信息包括关于障碍物目标的信息，例如，场景92中的多个路障的边缘轮廓信息；在其他应用场景中，道路两边也可以是其他类型的障碍物目标，例如，树木、电线杆等等。道路两旁的障碍物目标一般是静止的，其具有定义可行驶区域的功能，从而具有定义道路的功能，传感器所感测的信息中，对于移动的人、车辆等其他目标，在此不作考虑（例如作过滤处理）。
需要理解的是，传感器所感测的至少关于道路的信息并不限于为原始采集的信息，其可以为经过各种中间处理后的信息。传感器例如可以为带深度信息采集功能的图像传感器或者雷达探测器，雷达探测器具体可以为毫米波雷达或激光雷达等。
栅格图70可以采用已有的或者将来出现的各种方法来建立，在建立栅格图70时，可以建立相应的坐标体系，例如，定义车辆坐标体系，即XY坐标体系，其中，以车辆91的质心为圆点O，X轴定义为车辆91的前方垂直方向，X坐标定义为相对车辆的质心的距离在垂直方向上的偏差，Y轴定义为车辆91的水平方向，Y坐标定义为相对车辆91的质心的距离在水平方向上的偏差。车辆91前方的障碍物目标也被投射在该栅格图71中，从而得到关于障碍物目标的信息。
步骤S20，基于栅格图71中的关于障碍物目标的信息计算获得多条潜在可通行轨迹71。如图2（b）所示，可通行轨迹71的数量不是限制性的，例如，可以是50-100条等。具体地，可以使用已有的轨迹规划算法计算获得一定数量的可通行轨迹71，一般地，计算得到的可通行轨迹71数量一般地远远大于当前实际的可通行道路的数量。
在一实施例中，可以采用D*算法或者RRT（Rapidly Exploring Random Tree，快速探测随机树）算法等来生成可通行轨迹71。如图2（b）所示，对于实际存在可通行道路的区域，生成相对集中分布多条可通行轨迹71，对于可能存在可通行道路的区域，也可能会生成或多或少的可通行轨迹71。
步骤S30，对多条可通行轨迹71进行聚类处理从而获得潜在可通行路径，例如71a、71b和71c。潜在可通行路径表示其可能对应实际车辆可通行道路（例如潜在可通行路径71b和71c），但是，也可能对应不可行驶的无效的道路（例如潜在可通行路径71a）。聚类处理的结果暗示存在潜在可通行路径。
在一实施例中，可选地采用采用K-Means算法对多条潜在可通行轨迹71进行聚类处理，具体地，如图3所示，包括以下子步骤S30a-S30e。
子步骤S30a，从多条（例如M条）潜在可通行轨迹71的远端点中选出K个远端点作为聚类中心点，其中，K为大于或等于1且小于M的整数。例如，选择K=3，选择K个远端终端作为聚类中心的点。K值具体大小可以预先地定义。需要理解的是，该聚类中心点可以是从远端点中随机分配。
子步骤S30b，对于每个聚类中心点，计算得到距离该聚类中心点相对最近的M/K个远端点，并将该M/K个远端点归集形成对应该聚类中心点的远端点集合。在该子步骤中，M除以K时舍弃小数取整数，例如，如果M=100、K=3，取M/K等于33，每个聚类中心点对应具有距该聚类中心点相对最近的33个远端点所形成的远端点集合。
子步骤S30c，对每个聚类中心点对应的远端点集合计算坐标平均值，并将该坐标平均值对应的点替换在先的聚类中心点而作为新的聚类中心点。在该子步骤中，示例地，每个聚类中心点的远端点集合中的M/K个远端点的坐标已知，从而可以计算该远端点集合中的M/K个远端点的坐标平均值，如果该坐标平均值与在先的聚类中心点的坐标基本不对应，那么以坐标平均值对应的点作为新的聚类中心点，此时，在先定义的聚类中心点被替换。
子步骤S30d，判断新的聚类中心点相对在先的聚类中心点的坐标偏移是否小于或等于预定阈值；如果判断为“否”，表明在先的聚类中心点并不合理，当前的新的聚类中心点也是不合理的，需要对当前的新的聚类中心点进行聚类处理，因此返回子步骤S30b，基于当前的新的聚类中心点重复执行子步骤S30b和S30c，直到判断为“是”为止。
如果子步骤S30d判断为“是”，表示聚类处理基本结束，进入子步骤S30e，基于该新的聚类中心点对应的远端点的集合所对应的潜在可通行轨迹71形成潜在可通行路径，例如72a、72b、72c。
需要说明的是，以上所述预定阈值可以预先地通过经验设定，也可以预先地不断训练来获得该预定阈值。
以上实施例的步骤S30中，运算过程快速、简便，并且算法复杂度可以伸缩，有利于快速地实时获得潜在可通行路径。
需要说明的是，在以上实施例的子步骤S30a至中，如果K个聚类中心点中的任意一个不能实现子步骤S30d，也即，不能计算得到合理的聚类中心点，这可能表示并不存在K条潜在可通行路径，如果不停循环执行子步骤S30b至S30d或循环次数过多，将可能降低构建道路模型的速度。因此，在一实施例中，在K=n至K=1的情况下依次执行子步骤S30a至S30d，如果K个聚类中心点中的任意一个不能或难以实现（例如3次或3次以重复子步骤S30b-S30c的情况下也不能实现子步骤S30d）子步骤S30d，则放弃该K值，如果K个聚类中心点中的任意一个均能实现子步骤S30d，那么，在子步骤S30e形成K条潜在可通行路径；其中，n取大于或等于2且小于或等于5的整数，其可以根据具体路况决定。一般情况下，车辆91的前方的实际可通行道路是不会大于5条的，因此，n最大可以取等于5。
示例地，如果在子步骤S30a中，首先取K=4，可能由于并不会存在4条潜在可通行路径，因此，可能会存在一个聚类中心点不能或难以实现步骤S30d，可以返回子步骤S30a中取K=3，最终处理得到如图2（c）所示的3条潜在可通行路径。
继续如图1和图2所示，步骤S40，从栅格图91中提取关于道路的道路边界信息。如图2（c）所示，对应潜在可通行路径72a，提取得到道路左边界信息731a和道路右边界信息732a；对应潜在可通行路径72b，提取得到道路左边界信息731b和道路右边界信息732b；对应潜在可通行路径72c，提取得到道路左边界信息731c和道路右边界信息732c。可以看到，道路左边界信息731a和道路右边界信息732a是初始的且无效的，基于道路左边界信息731a和道路右边界信息732a难以获得有效的道路边界，因此，可以被舍弃作为道路边界信息。
道路边界信息的具体可以基于潜在可通行路径72去提取，也可以完全脱离于潜在可通行路径72去提取，在完全脱离于潜在可通行路径72提取时，步骤S40与步骤S20和S30是可以并行地执行的。
在一实施例中，步骤S40包括如图4所示的以下子步骤S40a-S40e。
子步骤S40a，确定每条潜在可通行路径（例如72a、72b或72c）在栅格图70中对应的多个结点；
子步骤S40b，在栅格图70中标记出空间上对应为障碍物目标的栅格单元。在该子步骤中，示例地，对于m×m的栅格图70，其由m×m个栅格单元组成，如果某个栅格单元被占据或者被占据到预定程度，则表示对应为障碍物目标或障碍物目标的一部分，将其标记为对应为障碍物目标的栅格单元。
子步骤S40c，对每条潜在可通行路径的每个结点，计算得到距离每个结点不超过预定值的对应为障碍物目标的所有栅格单元，并将该栅格单元对应于每条潜在可通行路径归集形成栅格单元集合。这样，对应每条潜在可通行路径可以形成相应的栅格单元集合，该集合包括每个节点的周围的障碍物目标的所有栅格单元。该预定值例如可以根据常规道路宽度等信息来确定，或者可以通过训练获得。
子步骤S40d，基于每条所述潜在可通行路径的栅格单元集合形成该潜在可通行路径对应的初始道路边界信息。
子步骤S40e，评估初始道路边界信息以判断是否为有效的道路边界信息，如果判断为“是”，进入子步骤S40f，将该初始道路边界信息作为关于道路的道路边界信息。
在以上评估过程的引入，有利于提高有效的道路边界信息的判断准确性，也有利于提高道路模型的预测的准确性。在一实施例中，可以引入概率模型作为评价函数来对所述初始道路边界信息进行评估，从而进一步提高有效的道路边界信息的判断准确性，并且，使用概率模型区评估初始道路边界信息时，概率模型可以被用作递归贝叶斯估计，从而可以用来评估不同时刻的初始道路边界的有效性。具体地，评价函数的变量包括以下的一个或多个：道路边界宽度、道路边界组成分布、道路终点方向、道路边界长度。
继续如图1和图2所示，步骤S50，基于路边界信息从潜在可通行路径中确定并构建可通行道路。具体地，仅对应具有道路边界信息的潜在可通行路径作为可通行道路。例如，如图2（d）和图2（e）所示，潜在可通行路径72a不具有有效的道路边界信息，不作为可通行道路；潜在可通行路径72b和潜在可通行路径72c具有有效的道路边界信息，因此，对应潜在可通行路径72b的道路左边界信息731b和道路右边界信息732b，构建可通行道路74b，对应潜在可通行路径72c的道路左边界信息731c和道路右边界信息732c，构建可通行道路74c。
继续如图1和图2所示，步骤S50，对可通行道路进行平滑处理，从而构建相应的道路模型。通过进行平滑处理构建的道路模型，有利于使该道路模型更接近于人的驾驶习惯，该道路模型可以作为实时预测或构建的道路模型，供自动驾驶（包含辅助驾驶）控制使用，例如，供横向控制和纵向控制过程使用。
在一实施例中，以上平滑处理具体通过以下子步骤过程来实现。
首先，对每条可通行道路对应的道路边界信息中的道路左边界信息和道路右边界信息分别进行拟合计算得到第一和第二多阶多项式的，基于第一和第二多阶多项式得到每条可通行道路的平滑后的道路左边界信息和道路右边界信息。
具体地，如图2所示，对于可通行道路74b，对应的道路边界信息存在道路左边界信息731b和道路右边界信息732b（如图2（d）所示），对左边界信息731b和道路右边界信息732b分别以例如三阶多项式进行拟合计算，可以分别得到以下三阶多项式：
其中，关系式（1）为对应道路左边界信息731b拟合得到的三阶多项式；y l 为对应道路左边界的因变量，其对应为在车辆坐标体系下的Y坐标，该Y坐标定义为相对所述车辆的质心的距离在水平方向上的偏差；x为自变量，其对应为在车辆坐标体系下的X坐标，该X坐标定义为相对所述车辆的质心的距离在垂直方向上的偏差； c 0,l 为常数项，c 1,l 为一次项系数，c 2,l 为二次项系数，c 3,l 为三次项系数。
其中，关系式（2）为对应道路右边界信息732b拟合得到的三阶多项式； y r 为对应道路右边界的因变量，其对应为在车辆坐标体系下的Y坐标，该Y坐标定义为相对所述车辆的质心的距离在水平方向上的偏差；x为自变量，其对应为在车辆坐标体系下的X坐标，该X坐标定义为相对所述车辆的质心的距离在垂直方向上的偏差； c 0,r 为常数项，c 1,r 为一次项系数，c 2,r 为二次项系数，c 3,r 为三次项系数。
基于以上三阶多项式（1）和（2）可以对道路边界信息进行平滑处理，从而得到可通行道路72b的如图2（e）所示的平滑后的道路左边界信息741b和道路右边界信息742b。
同样地，可以得到可通行道路72c的如图2（e）所示的平滑后的道路左边界信息741c和道路右边界信息742c。
基于，基于每条可通行道路的道路左边界信息和道路右边界信息的第一和第二多阶多项式，得到每条可通行道路的中心线的第三多阶多项式，基于该第三多阶多项式得到每条可通行道路的平滑后的中心线。
具体地，如图2所示，对于可通行道路74b，基于以上三阶多项式（1）和（2），可以计算得到以下关于中心线的三阶多项式（3）：
其中，y c 为对应道路中心线的因变量。
基于以上多项式（3）可以得到平滑后的如图2（e）所示的可通行道路74b的中心线743b。同样地，可以得到可通行道路72c的如图2（e）所示的中心线743c。
将理解到，在拟合过程中，可以使用其他阶的多项式进行拟合计算，例如，二阶多项式、四阶多项式等。
因此，得到如图2（e）所示的道路模型，其包括平滑后的道路左边界信息、道路右边界信息和中心线。
以上实施例的道路模型的构建是基于障碍物目标信息来确定可行驶区域从而最终确定可通行道路的，可以不依赖于道路中的车道线来实现，因此，适用于各种道路环境下的道路模型的构建，例如，越野道路环境中、乡村道路环境中等。并且，以上道路模型的构建过程中，可以使用这样的传感器：其感测的信息能够用来建立栅格图，传感器类型的限制性要求低，可以使用各种类型的传感器来相互补充采集信息，弥补各种类型传感器各自的局限性，例如也还可以避免使用相对昂贵的激光雷达。
同时，以上实施例的道路模型的构建速度较快，能实时、准确地获得道路模型。
图5所示为按照本发明一实施例的车辆用的自动驾驶系统的模块结构示意图。如图5所示，自动驾驶系统500包传感器和能够执行以上实施例的道路模型构建方法的计算机设备520。
传感器具体可以为如图5所示的图像传感器521、 毫米波雷达522或激光雷达523，或者是它们的任意组合，其中，图像传感器521带深度信息采集功能。传感器可感测获取至少关于道路的信息，例如，道路旁边或道路上的障碍物目标的信息，并将其传输给计算机设备520。
计算机设备520可以是通过处理器和存储器等实现的各种类型的控制设备或控制器，其是自动驾驶系统500实现主体。计算机设备520可以包括道路模型构建模块521、纵向控制模块522和横向控制模块523，其中，道路模型构建模块521被配置以实现以上实施例的道路模型的构建方法过程，获得如图2（e）示例的道路模型。该道路模型被输入至纵向控制模块522和横向控制模块523可以实现相应的自动控制功能。自动驾驶系统500输出的控制信号使能执行机构600（例如EPS、刹车、油门等）进行相应的动作。
以上例子主要说明了本发明的道路模型的构建方法及装置。尽管只对其中一些本发明的实施方式进行了描述，但是本领域普通技术人员应当了解，本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此，所展示的例子与实施方式被视为示意性的而非限制性的，在不脱离如所附各权利要求所定义的本发明精神及范围的情况下，本发明可能涵盖各种的修改与替换。
Claims (18)
1.一种道路模型的构建方法，其特征在于，包括步骤：
基于来自传感器所感测的至少关于道路的信息建立栅格图；
基于所述栅格图中的关于障碍物目标的信息计算获得M条潜在可通行轨迹，其中M为大于或等于2的整数；
对M条可通行轨迹进行聚类处理从而获得N条潜在可通行路径，其中N为大于或等于1且小于M的整数；
从栅格图中提取关于道路的道路边界信息；
基于所述道路边界信息从所述N条潜在可通行路径中确定并构建可通行道路，其中L为小于或等于N的整数；以及
对所述可通行道路进行平滑处理，从而构建相应的道路模型。
2.如权利要求1所述的道路模型的构建方法，其特征在于，采用K-Means算法对M条潜在可通行轨迹进行聚类处理。
3.如权利要求2所述的道路模型的构建方法，其特征在于，在对M条可通行轨迹进行聚类处理从而获得N条潜在可通行路径的步骤中，包括以下子步骤：
（a）从M条潜在可通行轨迹的远端点中选出K个远端点作为聚类中心点，其中，K为大于或等于1且小于M的整数；
（b）对于每个聚类中心点，计算得到距离该聚类中心点相对最近的M/K个远端点，并将该M/K个远端点归集形成对应该聚类中心点的远端点集合；
（c）对每个聚类中心点对应的远端点集合计算坐标平均值，并将该坐标平均值对应的点替换在先的聚类中心点而作为新的聚类中心点；
（d）判断新的聚类中心点相对在先的聚类中心点的坐标偏移是否小于或等于预定阈值，如果判断为“否”，返回子步骤（b），如果判断为“是”，进入子步骤（e）；
（e）基于该新的聚类中心点对应的远端点的集合所对应的潜在可通行轨迹形成所述潜在可通行路径。
4.如权利要求3所述的道路模型的构建方法，其特征在于，在对M条可通行轨迹进行聚类处理从而获得N条潜在可通行路径的步骤中，在K=n至K=1的情况下依次执行子步骤（a）至（d），如果K个聚类中心点中的任意一个不能或难以实现子步骤（d），则放弃该K值，如果K个聚类中心点中的任意一个均能实现子步骤（d），那么，在子步骤（e）形成N条所述潜在可通行路径，此时，N等于该K值；其中，n为大于或等于2且小于或等于5的整数。
5.如权利要求1所述的道路模型的构建方法，其特征在于，在提取关于道路的道路边界信息的步骤中，包括以下子步骤：
确定每条所述潜在可通行路径在所述栅格图中对应的多个结点；
在所述栅格图中标记出空间上对应为障碍物目标的栅格单元；
对每条所述潜在可通行路径的每个结点，计算得到距离每个所述结点不超过预定值的所有所述栅格单元，并将该栅格单元对应于每条所述潜在可通行路径归集形成栅格单元集合；
基于每条所述潜在可通行路径的栅格单元集合形成该所述潜在可通行路径对应的初始道路边界信息；以及
评估所述初始道路边界信息以判断是否为有效的道路边界信息，如果判断为“是”，将该初始道路边界信息作为关于道路的道路边界信息。
6.如权利要求5所述的道路模型的构建方法，其特征在于，在所述评估所述初始道路边界信息的子步骤中，引入概率模型作为评价函数来对所述初始道路边界信息进行评估，其中，评价函数的变量包括以下的一个或多个：道路边界宽度、道路边界组成分布、道路终点方向、道路边界长度。
7.如权利要求1所述的道路模型的构建方法，其特征在于，在确定并构建可通行道路的步骤中，仅将对应具有道路边界信息的所述潜在可通行路径作为可通行道路。
8. 如权利要求1所述的道路模型的构建方法，其特征在于，在所述平滑处理步骤中，包括以下子步骤：
对每条所述可通行道路对应的道路边界信息中的道路左边界信息和道路右边界信息分别进行拟合计算得到第一和第二多阶多项式，基于所述第一和第二多阶多项式得到每条可通行道路的平滑后的道路左边界信息和道路右边界信息；以及
基于每条所述可通行道路的道路左边界信息和道路右边界信息的第一和第二多阶多项式，得到每条所述可通行道路的中心线的第三多阶多项式，基于该第三多阶多项式得到每条所述可通行道路的平滑后的中心线。
9.如权利要求8所述的道路模型的构建方法，其特征在于，所述第一、第二和第三多阶多项式为三阶多项式。
10.一种道路模型的构建装置，其特征在于，包括：
用于基于来自传感器所感测的至少关于道路的信息建立栅格图的程序模块；
用于基于所述栅格图中的关于障碍物目标的信息计算获得M条潜在可通行轨迹的程序模块，其中M为大于或等于2的整数；
用于对M条可通行轨迹进行聚类处理从而获得N条潜在可通行路径的程序模块，其中N为大于或等于1且小于M的整数；
用于从栅格图中提取关于道路的道路边界信息的程序模块；
用于基于所述道路边界信息从所述N条潜在可通行路径中确定并构建可通行道路的程序模块，其中L为小于或等于N的整数；以及
用于对所述可通行道路进行平滑处理从而构建相应的道路模型的程序模块。
11.如权利要求10所述的道路模型的构建装置，其特征在于，采用K-Means算法对M条潜在可通行轨迹进行聚类处理。
12.如权利要求11所述的道路模型的构建装置，其特征在于，在对M条可通行轨迹进行聚类处理从而获得N条潜在可通行路径的程序模块中，包括以下子程序模块：
子程序模块（a），其用于从M条潜在可通行轨迹的远端点中选出K个远端点作为聚类中心点，其中，K为大于或等于1且小于M的整数；
子程序模块（b），其用于对于每个聚类中心点计算得到距离该聚类中心点相对最近的M/K个远端点，并将该M/K个远端点归集形成对应该聚类中心点的远端点集合；
子程序模块（c），其用于对每个聚类中心点对应的远端点集合计算坐标平均值，并将该坐标平均值对应的点替换在先的聚类中心点而作为新的聚类中心点；
子程序模块（d），其用于判断新的聚类中心点相对在先的聚类中心点的坐标偏移是否小于或等于预定阈值，如果判断为“否”，返回步骤（b），如果判断为“是”，进入子程序模块（e）；以及
子程序模块（e），其用于基于该新的聚类中心点对应的远端点的集合所对应的潜在可通行轨迹形成所述潜在可通行路径。
13.如权利要求10所述的道路模型的构建装置，其特征在于，在提取关于道路的道路边界信息的程序模块中，包括以下子程序模块：
用于确定每条所述潜在可通行路径在所述栅格图中对应的多个结点的子程序模块；
用于在所述栅格图中标记出空间上对应为障碍物目标的栅格单元的子程序模块；
用于对每条所述潜在可通行路径的每个结点、计算得到距离每个所述结点不超过预定值的所有所述栅格单元、并将该栅格单元对应于每条所述潜在可通行路径归集形成栅格单元集合的子程序模块；
用于基于每条所述潜在可通行路径的栅格单元集合形成该所述潜在可通行路径对应的初始道路边界信息的子程序模块；以及
用于评估所述初始道路边界信息以判断是否为有效的道路边界信息的子程序模块，其中，如果判断为“是”，将该初始道路边界信息作为关于道路的道路边界信息。
14.如权利要求10所述的道路模型的构建装置，其特征在于，在用于评估所述初始道路边界信息的子程序模块中，引入概率模型作为评价函数来对所述初始道路边界信息进行评估，其中，评价函数的变量包括以下的一个或多个：道路边界宽度、道路边界组成分布、道路终点方向、道路边界长度。
15. 如权利要求10所述的道路模型的构建装置，其特征在于，在用于对所述可通行道路进行平滑处理从而构建相应的道路模型的程序模块中，包括以下子程序模块：
子程序模1，其用于对每条所述可通行道路对应的道路边界信息中的道路左边界信息和道路右边界信息分别进行拟合计算得到第一和第二多阶多项式，基于所述第一和第二多阶多项式得到每条可通行道路的平滑后的道路左边界信息和道路右边界信息；以及
子程序模2，其用于基于每条所述可通行道路的道路左边界信息和道路右边界信息的第一和第二多阶多项式，得到每条所述可通行道路的中心线的第三多阶多项式，基于该第三多阶多项式得到每条所述可通行道路的平滑后的中心线。
16.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-9中任一项所述方法的步骤。
17.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行以实现如权利要求1-9中任一项所述方法的步骤。
18. 一种用于车辆的自动驾驶系统，其特征在于，包括：
用于感测至少关于道路的信息的传感器；以及
如权利要求16所述的计算机设备。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710357043.9A CN108961353B (zh) | 2017-05-19 | 2017-05-19 | 道路模型的构建 |
| PCT/CN2018/087277 WO2018210303A1 (zh) | 2017-05-19 | 2018-05-17 | 道路模型的构建 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710357043.9A CN108961353B (zh) | 2017-05-19 | 2017-05-19 | 道路模型的构建 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108961353A true CN108961353A (zh) | 2018-12-07 |
| CN108961353B CN108961353B (zh) | 2023-12-08 |
Family
ID=64273341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710357043.9A Active CN108961353B (zh) | 2017-05-19 | 2017-05-19 | 道路模型的构建 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN108961353B (zh) |
| WO (1) | WO2018210303A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256759A (zh) * | 2021-06-03 | 2021-08-13 | 京东鲲鹏(江苏)科技有限公司 | 无人配送车行车地图更新方法、装置、配送车及存储介质 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7425682B2 (ja) * | 2020-06-25 | 2024-01-31 | 株式会社日立製作所 | 情報管理システム、情報管理装置、および情報管理方法 |
| CN111985322B (zh) * | 2020-07-14 | 2024-02-06 | 西安理工大学 | 一种基于激光雷达的道路环境要素感知方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101339616A (zh) * | 2008-08-12 | 2009-01-07 | 北京中星微电子有限公司 | 道路识别方法及装置 |
| CN101965601A (zh) * | 2008-03-27 | 2011-02-02 | 爱信艾达株式会社 | 驾驶辅助装置、驾驶辅助方法及驾驶辅助程序 |
| CN102270301A (zh) * | 2011-06-07 | 2011-12-07 | 南京理工大学 | 一种svm与激光雷达结合检测非结构化道路边界的方法 |
| CN102436644A (zh) * | 2011-11-02 | 2012-05-02 | 南京物联网研究院发展有限公司 | 基于自适应边缘配准的非结构化道路检测方法 |
| CN102521566A (zh) * | 2011-11-25 | 2012-06-27 | 中国科学院光电技术研究所 | 一种地面自主设备用低功耗实时道路自动识别装置 |
| CN102564431A (zh) * | 2011-11-14 | 2012-07-11 | 南京理工大学 | 基于多传感器融合的非结构化环境理解方法 |
| CN103383733A (zh) * | 2013-05-16 | 2013-11-06 | 浙江智尔信息技术有限公司 | 一种基于半机器学习的车道视频检测方法 |
| CN104850834A (zh) * | 2015-05-11 | 2015-08-19 | 中国科学院合肥物质科学研究院 | 基于三维激光雷达的道路边界检测方法 |
| CN104914870A (zh) * | 2015-07-08 | 2015-09-16 | 中南大学 | 基于岭回归超限学习机的户外机器人局部路径规划方法 |
| CN106127113A (zh) * | 2016-06-15 | 2016-11-16 | 北京联合大学 | 一种基于三维激光雷达的道路车道线检测方法 |
| CN106326810A (zh) * | 2015-06-25 | 2017-01-11 | 株式会社理光 | 道路场景识别方法及设备 |
| CN106529415A (zh) * | 2016-10-16 | 2017-03-22 | 北海益生源农贸有限责任公司 | 结合特征和模型的道路检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3007099B1 (en) * | 2014-10-10 | 2022-12-07 | Continental Autonomous Mobility Germany GmbH | Image recognition system for a vehicle and corresponding method |
| CN104897168B (zh) * | 2015-06-24 | 2018-01-12 | 清华大学 | 基于道路危险评估的智能车路径搜索方法及系统 |
-
2017
- 2017-05-19 CN CN201710357043.9A patent/CN108961353B/zh active Active
-
2018
- 2018-05-17 WO PCT/CN2018/087277 patent/WO2018210303A1/zh active Application Filing
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101965601A (zh) * | 2008-03-27 | 2011-02-02 | 爱信艾达株式会社 | 驾驶辅助装置、驾驶辅助方法及驾驶辅助程序 |
| CN101339616A (zh) * | 2008-08-12 | 2009-01-07 | 北京中星微电子有限公司 | 道路识别方法及装置 |
| CN102270301A (zh) * | 2011-06-07 | 2011-12-07 | 南京理工大学 | 一种svm与激光雷达结合检测非结构化道路边界的方法 |
| CN102436644A (zh) * | 2011-11-02 | 2012-05-02 | 南京物联网研究院发展有限公司 | 基于自适应边缘配准的非结构化道路检测方法 |
| CN102564431A (zh) * | 2011-11-14 | 2012-07-11 | 南京理工大学 | 基于多传感器融合的非结构化环境理解方法 |
| CN102521566A (zh) * | 2011-11-25 | 2012-06-27 | 中国科学院光电技术研究所 | 一种地面自主设备用低功耗实时道路自动识别装置 |
| CN103383733A (zh) * | 2013-05-16 | 2013-11-06 | 浙江智尔信息技术有限公司 | 一种基于半机器学习的车道视频检测方法 |
| CN104850834A (zh) * | 2015-05-11 | 2015-08-19 | 中国科学院合肥物质科学研究院 | 基于三维激光雷达的道路边界检测方法 |
| CN106326810A (zh) * | 2015-06-25 | 2017-01-11 | 株式会社理光 | 道路场景识别方法及设备 |
| CN104914870A (zh) * | 2015-07-08 | 2015-09-16 | 中南大学 | 基于岭回归超限学习机的户外机器人局部路径规划方法 |
| CN106127113A (zh) * | 2016-06-15 | 2016-11-16 | 北京联合大学 | 一种基于三维激光雷达的道路车道线检测方法 |
| CN106529415A (zh) * | 2016-10-16 | 2017-03-22 | 北海益生源农贸有限责任公司 | 结合特征和模型的道路检测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256759A (zh) * | 2021-06-03 | 2021-08-13 | 京东鲲鹏(江苏)科技有限公司 | 无人配送车行车地图更新方法、装置、配送车及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108961353B (zh) | 2023-12-08 |
| WO2018210303A1 (zh) | 2018-11-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109541634B (zh) | 一种路径规划方法、装置和移动设备 | |
| DE102013208521B4 (de) | Kollektives Erlernen eines hochgenauen Straßenmodells | |
| CN102222236B (zh) | 图像处理系统及位置测量系统 | |
| CN105957342B (zh) | 基于众包时空大数据的车道级道路测图方法及系统 | |
| CN106446914A (zh) | 基于超像素和卷积神经网络的道路检测 | |
| CN106558058A (zh) | 分割模型训练方法、道路分割方法、车辆控制方法及装置 | |
| CN110148196A (zh) | 一种图像处理方法、装置以及相关设备 | |
| EP3631364A1 (de) | VERFAHREN UND VORRICHTUNG ZUR ERSTELLUNG EINER FAHRSPURGENAUEN STRAßENKARTE | |
| DE102016203723A1 (de) | Verfahren und System zum Bestimmen der Pose eines Fahrzeugs | |
| CN110268457A (zh) | 用于确定至少两个车辆的集体操纵的方法、计算机程序产品、计算机能读取的介质、控制器和包括该控制器的车辆 | |
| CN113705636B (zh) | 一种自动驾驶车辆轨迹预测方法、装置及电子设备 | |
| CN108961353A (zh) | 道路模型的构建 | |
| CN108364466A (zh) | 一种基于无人机交通视频的车流量统计方法 | |
| CN102324041B (zh) | 像素归类方法、关节体姿态识别方法及鼠标指令生成方法 | |
| CN109703569A (zh) | 一种信息处理方法、装置及存储介质 | |
| CN114970321A (zh) | 一种基于动态轨迹流的场景流数字孪生方法及系统 | |
| CN103218240B (zh) | 一种基于浮动车轨迹的废弃道路识别方法 | |
| CN108492324A (zh) | 基于全连接网络和卡尔曼滤波器的飞机追踪方法 | |
| CN109544443A (zh) | 一种路线图生成方法及装置 | |
| CN107808524A (zh) | 一种基于无人机的道路交叉口车辆检测方法 | |
| CN110346799A (zh) | 一种障碍物检测方法及设备 | |
| Huang et al. | Multi-modal policy fusion for end-to-end autonomous driving | |
| CN103198182B (zh) | 基于视觉感知仿真模拟技术的行人指路标志设计方法 | |
| CN111460879B (zh) | 利用网格生成器的神经网络运算方法及使用该方法的装置 | |
| CN104778452A (zh) | 一种基于机器学习的可行区域检测方法 |
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 |