CN109031304A - 基于视觉和毫米波雷达地图特征的隧道内车辆定位方法 - Google Patents
基于视觉和毫米波雷达地图特征的隧道内车辆定位方法 Download PDFInfo
- Publication number
- CN109031304A CN109031304A CN201810575879.0A CN201810575879A CN109031304A CN 109031304 A CN109031304 A CN 109031304A CN 201810575879 A CN201810575879 A CN 201810575879A CN 109031304 A CN109031304 A CN 109031304A
- Authority
- CN
- China
- Prior art keywords
- data
- millimetre
- wave radar
- tunnel
- feature
- 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
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
- 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
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于视觉和毫米波雷达地图特征的隧道内车辆定位方法,将感知特征点数据集与高精度地图层数据相融合,使无人驾驶车辆在光照暗和定位信号弱的环境下行驶时,根据从地图端提取融合的数据与GPS数据,推算出精确的车身位置。与现有技术相比,本发明具有以下优点:提高在特殊环境下对于探测静态障碍物的准确性,推导出无人车在特殊场景中自身的精确位置和适用于各种受到光线明暗与定位信号强弱影响的场景。
Description
技术领域
本发明涉及无人驾驶领域,尤其是涉及一种基于视觉和毫米波雷达地图特征的隧道内车辆定位方法。
背景技术
无人驾驶车辆技术近年来正加速发展,但应用场景大多是在比较开阔的环境下进行的,在非开阔的场景下无人驾驶的技术瓶颈还有待突破
现有的技术主要依赖于卫星导航系统/惯导系统,在非开阔场景下并不能使车辆保持精确的车身位置
自动驾驶离不开高精度地图,目前缺乏利用高精度地图并结合特征点来定位无人车自身位置的相关研究
现有技术1:GPS定位技术
技术简述:
通过接收卫星发射的信号并进行数据处理,从而求定测量点的空间位置,具有全球性、全天候、连续性和实时性的精密三维导航与定位功能。
缺点:
1、GPS系统精确定位的关键在于对卫星和接收机之间距离的精确计算,电磁波在大气层中传播,信号要受到电离层和对流层的重重干扰,GPS系统只能对此进行平均计算,这样在一些特定区域比如城市、山区等由于高层建筑物及树木对信号的影响,会导致信号的非直线传播,这样计算时会引入这些影响产生的误差;
2、GPS测量更适用于视野开阔、障碍物较少的区域,在接收不到信号的区域,处于浮动状态,得到的数据往往误差较大。
现有技术2:INS惯导定姿定位技术
技术简述:
惯性导航系统是以陀螺和加速度计为敏感器件的导航参数解算系统,系统根据陀螺的输出建立导航坐标系,根据加速度计输出解算出运载体在导航坐标系中的速度、航向角和位置等信息。
惯性导航系统属于推算导航方式,即从一已知点的位置根据连续测得的运动体航向角和速度推算出其下一点的位置,因而可连续测出运动体的当前位置。
缺点:
1、由于导航信息经过积分而产生,定位误差随时间而增大,不能单独长时间工作,必须不断加以校准;
2、每次使用之前需要较长的初始对准时间;
3、不能给出时间信息。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供基于视觉和毫米波雷达地图特征的隧道内车辆定位方法。
本发明的目的可以通过以下技术方案来实现:
一种基于视觉和毫米波雷达地图特征的隧道内车辆定位方法,将感知特征点数据集与高精度地图层数据相融合,使无人驾驶车辆在光照暗和定位信号弱的环境下行驶时,根据从地图端提取融合的数据与GPS数据,推算出精确的车身位置。
优选地,所述的感知特征点数据集为立体视觉与毫米波雷达检测出的特征点数据元经过配准融合而形成。
优选地,所述的立体视觉提取的目标包括:车道线、路沿、隧道口和信号灯柱,所述的毫米波雷达探测各种静态目标,包括:信号灯柱和路灯柱。
优选地,所述的车辆定位方法包括以下步骤:
步骤1、立体视觉相机重建场景和特征点提取;
步骤2、毫米波雷达的特征点提取;
步骤3、毫米波雷达数据与图像数据配准;
步骤4、配准后的特征点数据集融合到地图;
步骤5、行驶时从地图中的特征点推导出自身位置。
优选地,所述的步骤1中的立体视觉相机重建场景包括:立体视觉相机重建场景采用双目立体视觉的方案,以SLAM算法为基础,将深度图中的平面信息加入帧间配准算法,使用截断符号距离函数体重建方法。
优选地,所述的步骤1中的特征点提取为从图像帧数据中提取出车道线、路沿、信号灯柱和隧道口的静态目标的角点即特征点,包括以下步骤:
步骤1.1、通过前一帧图像求解出当前帧的旋转矩阵R和平移向量t,即相对于前一帧的姿态和位移;
步骤1.2、像素坐标系到世界坐标系的转换,假设空间点P在世界坐标下的齐次坐标是(Xw,Yw,Zw,1)T,相机坐标下的齐次坐标是(Xc,Yc,Zc,1)T,图像坐标是(x,y),像素坐标为(u,v),在图像坐标系下,一个像素在x轴和y轴方向上的物理尺寸为dx,dy;图像中心点为像素原点(u0,v0),像素坐标与图像坐标之间的转换关系为:
若f为相机的焦距,则图像坐标与相机坐标的转换关系为;
基于R和T,相机坐标系与世界坐标系的转换关系为;
所述的提取算法基于深度学习的框架并采用RANSAC算法加以优化,消除掉错误的特征匹配点。
优选地,所述的步骤2为从雷达扫描帧数据中提取出信号灯柱的相对距离、角度等并解算出位置,所述的标的物的位置是一个世界坐标系下的二维坐标(X,Y)。
优选地,所述的步骤3具体包括:
步骤3.1、毫米波雷达数据与图像数据的配准关系用一个2X3的矩阵R表示;
步骤3.2、依据相机的成像原理,若空间中某一个点M在相机坐标系下的坐标为Mc(Xc,Yc,Zc),雷达探测到的同一个点投影到图像坐标下的坐标为Mr(Xr,Yr),存在这样的关系:Mr=R*Mc;
步骤3.3、若已知坐标Mr和Mc,就得到毫米波雷达数据与图像数据之间的配准关系R。
优选地,所述的步骤4具体包括:
步骤4.1、经过所述的步骤3配准后的坐标作为静态标的物标记到高精地图中;
步骤4.2、如果提取出的特征为无效的,获取新的数据帧并重复以上步骤;
步骤4.3、如果为有效的特征,把各个特征点数据抽象成地图元素的属性,形成特征数据集;
步骤4.4、在每次实车测试验证时不断修正高精地图的特征数据集;
如果是车道线和路沿,可间隔1m存储一个特征数据集的信息,用单个特征数据集存取其他静态标的物。
优选地,所述的步骤5具体为:调取区段长度为雷达的有效探测范围内的高精地图数据为定位基准,以IMU惯性量测单元为初值,调取融合到高精地图里的特征数据做配准,修正车的位置和姿态信息,并将此修正数据用于校正IMU,以完成辅助定位的功能。
所述的方法适用于其他对光线和传输信号有较高要求的场景,包括:
1、适用于高架桥、立交桥下等各种路桥场景;
2、适用于在高层建筑环境里有信号遮挡的场景;
3、适用于夜晚、清晨、阴天光照少的时间段的应用场景。
与现有技术相比,本发明具有以下优点:
1、立体视觉与毫米波雷达检测出的特征点数据元的融合,两者取长补短发挥各自的优势,可有效提高在特殊环境下对于探测静态障碍物的准确性。
2、感知特征点数据集与高精度地图数据的融合,根据特征点的深度、距离和位置属性,再与实时IMU位置数据作对比校准,推导出无人车在特殊场景中自身的精确位置。
3、本发明具备通用性,可以适用于各种受到光线明暗与定位信号强弱影响的场景,比如高架桥下、立交桥下、高层建筑环绕的街道、清晨或夜晚和光照少的阴霾天时段。
附图说明
图1为传统定位方式与本发明的定位方式的对比图;
图2为本发明的立体视觉相机重建场景的示意图;
图3为本发明的毫米波雷达的特征点提取示意图;
图4为本发明的特征点数据集融合到地图的示意图;
图5为本发明的毫米波雷达数据与图像数据配准的原理示意图;
图6为本发明的从地图中的特征点推导出自身位置的原理示意图;
图7为本发明的实施例的原理流程图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
本发明用于解决无人驾驶车辆在通过隧道场景时的局限性,通过立体视觉检测并定位到车道线、路沿、隧道口和交通信号灯这样的静止物体的特征点,同时结合毫米波雷达捕捉到的特征点,将这些特征点数据加工并融合到地图层,在隧道中行驶时从地图端提取融合的数据与GPS数据,推算出精确的车身位置。相机的分辨力高,对颜色、形状感知的能力较强,但是存在探测距离和受光线等的影响,而毫米波雷达可以补强相机的弱项,如图2所示。
a)传统定位方式,采用GPS卫星来更新位置信息;
b)新的定位方式,采用提取视觉和毫米波雷达的探测信息(图中的蓝色五角星)并融合到地图层来辅助规划和定位。
如图3所示,采用双目立体视觉的方案,以SLAM算法为基础,将深度图中的平面信息加入帧间配准算法,提高帧间配准算法的鲁棒性和精度
使用截断符号距离函数体重建方法,一种指数权重函数,相比普通的权重函数能更好地减少相机深度畸变对重建的影响。
移动相机(无人车行驶),特征点没有改变,通过优化后的算法过滤掉无效的特征点,相机移动的位置也可以通过转换后的空间像素坐标系里演算得出。
视觉传感器主要提取的目标包括:1、车道线,2、路沿,3、隧道口,4、信号灯柱等。
计算标的物的位置:步骤1.1、通过前一帧图像求解出当前帧的旋转矩阵R和平移向量t,即相对于前一帧的姿态和位移;
步骤1.2、像素坐标系到世界坐标系的转换,假设空间点P在世界坐标下的齐次坐标是(Xw,Yw,Zw,1)T,相机坐标下的齐次坐标是(Xc,Yc,Zc,1)T,图像坐标是(x,y),像素坐标为(u,v),在图像坐标系下,一个像素在x轴和y轴方向上的物理尺寸为dx,dy;图像中心点为像素原点(u0,v0),像素坐标与图像坐标之间的转换关系为:
若f为相机的焦距,则图像坐标与相机坐标的转换关系为;
基于R和T,相机坐标系与世界坐标系的转换关系为;
所述的提取算法基于深度学习的框架并采用RANSAC算法加以优化,消除掉错误的特征匹配点。
毫米波雷达的特征点提取,如图3所示:
毫米波雷达主要探测各种静态目标:1、信号灯柱,2、路灯柱等
通过毫米波雷达的回波信号可以解析出:1、相对车的距离,2、相对车的角度,3、标的物的位置等
标的物的位置是一个世界坐标系下的二维坐标(X,Y)
如图4所示,特征点数据集融合到地图,现有的高精度地图通常包含有车道、车道数、路口和路线拓扑关系等,还缺少精确到厘米级的车线、路沿、交通信号标识这样的可以辅助无人车行驶时作路线规划需要的决策输入点。
建立的数据平台收集感知单元输出的数据元,通过场地间的实车大量测试,经验证后的数据元可以标记和绑定到高精地图层。
特征点的属性:
图4表示为从高精地图里提取的一段数据,如果是车道线、路沿可以考虑1m间隔来存储一个特征数据集的信息;用单个特征数据集存取其他静态标的物。
圆圈表示:视觉/雷达传感器输出的每一帧数据;
省略号表示:从视觉、雷达数据里提取出来的特征点数据集;
空心五角星和实心五角星分别表示视觉传感器提取到的特征点和毫米波雷达传感器提取出的特征点。
特征数据集与地图融合的流程:
数据融合
从图像帧数据中提取出车道线、路沿、信号灯柱、隧道口等静态目标的角点即特征点;从雷达扫描帧数据中提取出信号灯柱等的相对距离、角度等并解算出位置;
车道线/路沿的图像数据坐标可用于绘制高精地图的车线与路沿;
毫米波雷达检测到的标的物的坐标与图像数据的坐标做配准,配准后的坐标作为静态标的物标记到高精地图中;
如果提取出的特征为无效的,获取新的数据帧并重复以上步骤;
如果为有效的特征,把各个特征点数据抽象成地图元素的属性,形成特征数据集;
在每次实车测试验证时不断修正高精地图的特征数据集。
毫米波雷达数据与图像数据配准:
毫米波雷达数据与图像数据的配准关系可以用一个3X4的矩阵R表示
依据相机的成像原理,若空间中某一个点M在相机坐标系下的坐标为Mc(Xc,Yc,Zc),雷达探测到的同一个点投影到图像坐标下的坐标为Mr(Xr,Yr),存在这样的关系:Mr=R*Mc,若已知坐标Mr和Mc,就可以得到毫米波雷达数据与图像数据之间的配准关系R,如图5所示。
从地图中的特征点推导出自身位置:
如图6所示,当无人驾驶车辆行驶在隧道这样的场景中时,通常的情况是发生定位信号完全丢失。本方案的优势在于,地图层中已经融合了通过隧道所需的辅助驾驶数据元,这样将不依赖与感知单元和所处的场地。
在通过隧道的过程中从地图端提取融合的特征数据集,推算出更加精确的车身位置。
如图7所示,在隧道场景中,假设雷达的有效探测范围是100m,则调取区段长度100m的高精地图数据为定位基准,以IMU为初值,调取融合到高精地图里的特征数据做配准,修正车的位置和姿态信息,并将此修正数据用于校正IMU,以完成辅助定位的功能。
本发明的技术保护点:
保护点1:
构建立体视觉与毫米波雷达探测到的特征点数据的配准关系,它们是静态目标在无人驾驶位置坐标系中的映射。
保护点2:
感知特征点数据集与高精度地图层数据相融合,使无人驾驶车辆在光照暗和定位信号弱的环境下,也可以重新校准车身的当前位置,可以不依赖感知单元。
本发明有益效果:
有益效果1:
立体视觉与毫米波雷达检测出的特征点数据元的融合,两者取长补短发挥各自的优势,可有效提高在特殊环境下对于探测静态障碍物的准确性。
有益效果2:
感知特征点数据集与高精度地图数据的融合,根据特征点的深度、距离和位置属性,再与实时IMU位置数据作对比校准,推导出无人车在特殊场景中自身的精确位置。
有益效果3:
方案具备通用性,可以适用于各种受到光线明暗与定位信号强弱影响的场景,比如高架桥下、立交桥下、高层建筑环绕的街道、清晨或夜晚和光照少的阴霾天时段。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于视觉和毫米波雷达地图特征的隧道内车辆定位方法,其特征在于,将感知特征点数据集与高精度地图层数据相融合,使无人驾驶车辆在光照暗和定位信号弱的环境下行驶时,根据从地图端提取融合的数据与GPS数据,推算出精确的车身位置。
2.根据权利要求1中任一所述的基于视觉和毫米波雷达地图特征的隧道内车辆定位方法,其特征在于,所述的感知特征点数据集为立体视觉与毫米波雷达检测出的特征点数据元经过配准融合而形成。
3.根据权利要求2所述的基于视觉和毫米波雷达地图特征的隧道内车辆定位方法,其特征在于,所述的立体视觉提取的目标包括:车道线、路沿、隧道口和信号灯柱,所述的毫米波雷达探测各种静态目标,包括:信号灯柱和路灯柱。
4.根据权利要求2所述的基于视觉和毫米波雷达地图特征的隧道内车辆定位方法,其特征在于,所述的车辆定位方法包括以下步骤:
步骤1、立体视觉相机重建场景和特征点提取;
步骤2、毫米波雷达的特征点提取;
步骤3、毫米波雷达数据与图像数据配准;
步骤4、配准后的特征点数据集融合到地图;
步骤5、行驶时从地图中的特征点推导出自身位置。
5.根据权利要求4所述的基于视觉和毫米波雷达地图特征的隧道内车辆定位方法,其特征在于,所述的步骤1中的立体视觉相机重建场景包括:立体视觉相机重建场景采用双目立体视觉的方案,以SLAM算法为基础,将深度图中的平面信息加入帧间配准算法,使用截断符号距离函数体重建方法。
6.根据权利要求4所述的基于视觉和毫米波雷达地图特征的隧道内车辆定位方法,其特征在于,所述的步骤1中的特征点提取为从图像帧数据中提取出车道线、路沿、信号灯柱和隧道口的静态目标的角点即特征点,包括以下步骤:
步骤1.1、通过前一帧图像求解出当前帧的旋转矩阵R和平移向量t,即相对于前一帧的姿态和位移;
步骤1.2、像素坐标系到世界坐标系的转换,假设空间点P在世界坐标下的齐次坐标是(Xw,Yw,Zw,1)T,相机坐标下的齐次坐标是(Xc,Yc,Zc,1)T,图像坐标是(x,y),像素坐标为(u,v),在图像坐标系下,一个像素在x轴和y轴方向上的物理尺寸为dx,dy;图像中心点为像素原点(u0,v0),像素坐标与图像坐标之间的转换关系为:
若f为相机的焦距,则图像坐标与相机坐标的转换关系为;
基于R和T,相机坐标系与世界坐标系的转换关系为;
所述的提取算法基于深度学习的框架并采用RANSAC算法加以优化,消除掉错误的特征匹配点。
7.根据权利要求4所述的基于视觉和毫米波雷达地图特征的隧道内车辆定位方法,其特征在于,所述的步骤2为从雷达扫描帧数据中提取出信号灯柱的相对距离、角度等并解算出位置,所述的标的物的位置是一个世界坐标系下的二维坐标(X,Y)。
8.根据权利要求4所述的基于视觉和毫米波雷达地图特征的隧道内车辆定位方法,其特征在于,所述的步骤3具体包括:
步骤3.1、毫米波雷达数据与图像数据的配准关系用一个2X3的矩阵R表示;
步骤3.2、依据相机的成像原理,若空间中某一个点M在相机坐标系下的齐次坐标为Mc(Xc,Yc,Zc),雷达探测到的同一个点投影到图像坐标下的坐标为Mr(Xr,Yr),存在这样的关系:Mr=R*Mc;
步骤3.3、若已知坐标Mr和Mc,就得到毫米波雷达数据与图像数据之间的配准关系R。
9.根据权利要求4所述的基于视觉和毫米波雷达地图特征的隧道内车辆定位方法,其特征在于,所述的步骤4具体包括:
步骤4.1、经过所述的步骤3配准后的坐标作为静态标的物标记到高精地图中;
步骤4.2、如果提取出的特征为无效的,获取新的数据帧并重复以上步骤;
步骤4.3、如果为有效的特征,把各个特征点数据抽象成地图元素的属性,形成特征数据集;
步骤4.4、在每次实车测试验证时不断修正高精地图的特征数据集;
如果是车道线和路沿,可间隔1m存储一个特征数据集的信息,用单个特征数据集存取其他静态标的物。
10.根据权利要求4所述的基于视觉和毫米波雷达地图特征的隧道内车辆定位方法,其特征在于,所述的步骤5具体为:调取区段长度为雷达的有效探测范围内的高精地图数据为定位基准,以IMU惯性量测单元为初值,调取融合到高精地图里的特征数据做配准,修正车的位置和姿态信息,并将此修正数据用于校正IMU,以完成辅助定位的功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810575879.0A CN109031304A (zh) | 2018-06-06 | 2018-06-06 | 基于视觉和毫米波雷达地图特征的隧道内车辆定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810575879.0A CN109031304A (zh) | 2018-06-06 | 2018-06-06 | 基于视觉和毫米波雷达地图特征的隧道内车辆定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109031304A true CN109031304A (zh) | 2018-12-18 |
Family
ID=64612443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810575879.0A Pending CN109031304A (zh) | 2018-06-06 | 2018-06-06 | 基于视觉和毫米波雷达地图特征的隧道内车辆定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109031304A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109709961A (zh) * | 2018-12-28 | 2019-05-03 | 百度在线网络技术(北京)有限公司 | 道路障碍物检测方法、装置及自动驾驶汽车 |
CN109870689A (zh) * | 2019-01-08 | 2019-06-11 | 武汉中海庭数据技术有限公司 | 毫米波雷达与高精矢量地图匹配的车道级定位方法与系统 |
CN110275167A (zh) * | 2019-06-03 | 2019-09-24 | 浙江吉利控股集团有限公司 | 一种雷达探测的控制方法、控制器及终端 |
CN110288832A (zh) * | 2019-07-10 | 2019-09-27 | 南京慧尔视智能科技有限公司 | 基于微波与视频的多目标信息融合及可视化展示方法 |
CN110570449A (zh) * | 2019-09-16 | 2019-12-13 | 电子科技大学 | 一种基于毫米波雷达与视觉slam的定位与建图方法 |
CN110609311A (zh) * | 2019-10-10 | 2019-12-24 | 武汉理工大学 | 基于车载环视图像与毫米波雷达融合的智能车定位方法 |
CN110736472A (zh) * | 2019-10-10 | 2020-01-31 | 武汉理工大学 | 一种基于车载环视图像与毫米波雷达融合的室内高精地图表征方法 |
CN110986966A (zh) * | 2019-12-17 | 2020-04-10 | 苏州智加科技有限公司 | 一种用于长距离隧道的自动驾驶定位方法及系统 |
CN111376851A (zh) * | 2018-12-29 | 2020-07-07 | 浙江吉利控股集团有限公司 | 汽车定位系统、方法及汽车 |
CN111554088A (zh) * | 2020-04-13 | 2020-08-18 | 重庆邮电大学 | 一种多功能v2x智能路侧基站系统 |
CN111699408A (zh) * | 2019-05-31 | 2020-09-22 | 深圳市大疆创新科技有限公司 | 隧道场景检测方法及毫米波雷达 |
CN111708014A (zh) * | 2020-05-26 | 2020-09-25 | 烟台陆地智能科技有限公司 | 一种毫米波雷达的封闭空间内部非合作目标定位及测量方法 |
CN111856441A (zh) * | 2020-06-09 | 2020-10-30 | 北京航空航天大学 | 一种基于视觉与毫米波雷达融合的列车定位方法 |
CN111968405A (zh) * | 2020-08-26 | 2020-11-20 | 北京小马慧行科技有限公司 | 确定自动驾驶车辆的行驶车道的方法及装置 |
CN111968046A (zh) * | 2020-07-21 | 2020-11-20 | 南京莱斯网信技术研究院有限公司 | 一种基于拓扑结构的雷达光电传感器目标关联融合方法 |
CN112985425A (zh) * | 2021-02-02 | 2021-06-18 | 恒大新能源汽车投资控股集团有限公司 | 基于异构感知数据融合的车辆定位方法、装置及系统 |
CN113093254A (zh) * | 2021-04-12 | 2021-07-09 | 南京速度软件技术有限公司 | 基于多传感器融合的地图特征的高架桥中的车辆定位方法 |
CN113554890A (zh) * | 2021-06-30 | 2021-10-26 | 东风汽车集团股份有限公司 | 一种在隧道工况下基于5g通信的导航增强系统及方法 |
CN113566834A (zh) * | 2021-07-20 | 2021-10-29 | 广州小鹏汽车科技有限公司 | 定位方法、定位装置、车辆和存储介质 |
CN113777644A (zh) * | 2021-08-31 | 2021-12-10 | 盐城中科高通量计算研究院有限公司 | 基于弱信号场景的无人驾驶定位方法 |
CN113807471A (zh) * | 2021-11-18 | 2021-12-17 | 浙江宇视科技有限公司 | 雷达与视觉融合的车辆识别方法、装置、设备及介质 |
CN114047501A (zh) * | 2021-09-30 | 2022-02-15 | 苏州豪米波技术有限公司 | 一种基于毫米波雷达的室内定位系统 |
CN115273547A (zh) * | 2022-07-26 | 2022-11-01 | 上海工物高技术产业发展有限公司 | 一种道路防撞预警系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106094836A (zh) * | 2016-08-08 | 2016-11-09 | 成都希德电子信息技术有限公司 | 一种基于二维激光雷达的微型机器人控制系统及方法 |
US20160350906A1 (en) * | 2013-12-19 | 2016-12-01 | Metaio Gmbh | Method of tracking a mobile device and method of generating a geometrical model of a real environment using a camera of a mobile device |
CN106461774A (zh) * | 2014-02-20 | 2017-02-22 | 御眼视觉技术有限公司 | 基于雷达提示视觉成像的高级驾驶员辅助系统 |
CN107015238A (zh) * | 2017-04-27 | 2017-08-04 | 睿舆自动化(上海)有限公司 | 基于三维激光雷达的无人车自主定位方法 |
US20170292836A1 (en) * | 2016-04-08 | 2017-10-12 | Otis Elevator Company | Method and System for Multiple 3D Sensor Calibration |
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 |
CN107301654A (zh) * | 2017-06-12 | 2017-10-27 | 西北工业大学 | 一种多传感器的高精度即时定位与建图方法 |
CN107600067A (zh) * | 2017-09-08 | 2018-01-19 | 中山大学 | 一种基于多视觉惯导融合的自主泊车系统及方法 |
CN107831777A (zh) * | 2017-09-26 | 2018-03-23 | 中国科学院长春光学精密机械与物理研究所 | 一种飞行器自主避障系统、方法及飞行器 |
CN107966700A (zh) * | 2017-11-20 | 2018-04-27 | 天津大学 | 一种用于无人驾驶汽车的前方障碍物检测系统及方法 |
CN108023133A (zh) * | 2017-12-07 | 2018-05-11 | 上海国际汽车城(集团)有限公司 | 一种电动汽车退役电池的自动拆解线 |
CN108896994A (zh) * | 2018-05-11 | 2018-11-27 | 武汉环宇智行科技有限公司 | 一种无人驾驶车辆定位方法及设备 |
-
2018
- 2018-06-06 CN CN201810575879.0A patent/CN109031304A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160350906A1 (en) * | 2013-12-19 | 2016-12-01 | Metaio Gmbh | Method of tracking a mobile device and method of generating a geometrical model of a real environment using a camera of a mobile device |
CN106461774A (zh) * | 2014-02-20 | 2017-02-22 | 御眼视觉技术有限公司 | 基于雷达提示视觉成像的高级驾驶员辅助系统 |
US20170292836A1 (en) * | 2016-04-08 | 2017-10-12 | Otis Elevator Company | Method and System for Multiple 3D Sensor Calibration |
CN106094836A (zh) * | 2016-08-08 | 2016-11-09 | 成都希德电子信息技术有限公司 | 一种基于二维激光雷达的微型机器人控制系统及方法 |
CN107015238A (zh) * | 2017-04-27 | 2017-08-04 | 睿舆自动化(上海)有限公司 | 基于三维激光雷达的无人车自主定位方法 |
CN107301654A (zh) * | 2017-06-12 | 2017-10-27 | 西北工业大学 | 一种多传感器的高精度即时定位与建图方法 |
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 |
CN107600067A (zh) * | 2017-09-08 | 2018-01-19 | 中山大学 | 一种基于多视觉惯导融合的自主泊车系统及方法 |
CN107831777A (zh) * | 2017-09-26 | 2018-03-23 | 中国科学院长春光学精密机械与物理研究所 | 一种飞行器自主避障系统、方法及飞行器 |
CN107966700A (zh) * | 2017-11-20 | 2018-04-27 | 天津大学 | 一种用于无人驾驶汽车的前方障碍物检测系统及方法 |
CN108023133A (zh) * | 2017-12-07 | 2018-05-11 | 上海国际汽车城(集团)有限公司 | 一种电动汽车退役电池的自动拆解线 |
CN108896994A (zh) * | 2018-05-11 | 2018-11-27 | 武汉环宇智行科技有限公司 | 一种无人驾驶车辆定位方法及设备 |
Non-Patent Citations (3)
Title |
---|
梅峰: "基于 RGB-D 深度相机的室内场景重建", 《中国图像图形学报》 * |
潘尧: "智能车辆双目视觉与地图组合定位研究", 《湖北工业大学学报》 * |
赵翔等: "基于视觉和毫米波雷达的车道级定位方法", 《上海交通大学学报》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109709961B (zh) * | 2018-12-28 | 2021-12-07 | 百度在线网络技术(北京)有限公司 | 道路障碍物检测方法、装置及自动驾驶汽车 |
CN109709961A (zh) * | 2018-12-28 | 2019-05-03 | 百度在线网络技术(北京)有限公司 | 道路障碍物检测方法、装置及自动驾驶汽车 |
CN111376851A (zh) * | 2018-12-29 | 2020-07-07 | 浙江吉利控股集团有限公司 | 汽车定位系统、方法及汽车 |
CN109870689A (zh) * | 2019-01-08 | 2019-06-11 | 武汉中海庭数据技术有限公司 | 毫米波雷达与高精矢量地图匹配的车道级定位方法与系统 |
CN111699408A (zh) * | 2019-05-31 | 2020-09-22 | 深圳市大疆创新科技有限公司 | 隧道场景检测方法及毫米波雷达 |
CN110275167A (zh) * | 2019-06-03 | 2019-09-24 | 浙江吉利控股集团有限公司 | 一种雷达探测的控制方法、控制器及终端 |
WO2021003896A1 (zh) * | 2019-07-10 | 2021-01-14 | 南京慧尔视智能科技有限公司 | 基于微波与视频的多目标信息融合及可视化展示方法 |
CN110288832A (zh) * | 2019-07-10 | 2019-09-27 | 南京慧尔视智能科技有限公司 | 基于微波与视频的多目标信息融合及可视化展示方法 |
CN110570449A (zh) * | 2019-09-16 | 2019-12-13 | 电子科技大学 | 一种基于毫米波雷达与视觉slam的定位与建图方法 |
CN110609311A (zh) * | 2019-10-10 | 2019-12-24 | 武汉理工大学 | 基于车载环视图像与毫米波雷达融合的智能车定位方法 |
CN110609311B (zh) * | 2019-10-10 | 2022-12-23 | 武汉理工大学 | 基于车载环视图像与毫米波雷达融合的智能车定位方法 |
CN110736472A (zh) * | 2019-10-10 | 2020-01-31 | 武汉理工大学 | 一种基于车载环视图像与毫米波雷达融合的室内高精地图表征方法 |
CN110986966A (zh) * | 2019-12-17 | 2020-04-10 | 苏州智加科技有限公司 | 一种用于长距离隧道的自动驾驶定位方法及系统 |
CN110986966B (zh) * | 2019-12-17 | 2021-06-22 | 苏州智加科技有限公司 | 一种用于长距离隧道的自动驾驶定位方法及系统 |
CN111554088B (zh) * | 2020-04-13 | 2022-03-22 | 重庆邮电大学 | 一种多功能v2x智能路侧基站系统 |
CN111554088A (zh) * | 2020-04-13 | 2020-08-18 | 重庆邮电大学 | 一种多功能v2x智能路侧基站系统 |
CN111708014A (zh) * | 2020-05-26 | 2020-09-25 | 烟台陆地智能科技有限公司 | 一种毫米波雷达的封闭空间内部非合作目标定位及测量方法 |
CN111856441A (zh) * | 2020-06-09 | 2020-10-30 | 北京航空航天大学 | 一种基于视觉与毫米波雷达融合的列车定位方法 |
CN111856441B (zh) * | 2020-06-09 | 2023-04-25 | 北京航空航天大学 | 一种基于视觉与毫米波雷达融合的列车定位方法 |
CN111968046A (zh) * | 2020-07-21 | 2020-11-20 | 南京莱斯网信技术研究院有限公司 | 一种基于拓扑结构的雷达光电传感器目标关联融合方法 |
CN111968046B (zh) * | 2020-07-21 | 2024-02-23 | 南京莱斯网信技术研究院有限公司 | 一种基于拓扑结构的雷达光电传感器目标关联融合方法 |
CN111968405A (zh) * | 2020-08-26 | 2020-11-20 | 北京小马慧行科技有限公司 | 确定自动驾驶车辆的行驶车道的方法及装置 |
CN112985425A (zh) * | 2021-02-02 | 2021-06-18 | 恒大新能源汽车投资控股集团有限公司 | 基于异构感知数据融合的车辆定位方法、装置及系统 |
CN113093254A (zh) * | 2021-04-12 | 2021-07-09 | 南京速度软件技术有限公司 | 基于多传感器融合的地图特征的高架桥中的车辆定位方法 |
CN113554890A (zh) * | 2021-06-30 | 2021-10-26 | 东风汽车集团股份有限公司 | 一种在隧道工况下基于5g通信的导航增强系统及方法 |
CN113566834A (zh) * | 2021-07-20 | 2021-10-29 | 广州小鹏汽车科技有限公司 | 定位方法、定位装置、车辆和存储介质 |
CN113777644A (zh) * | 2021-08-31 | 2021-12-10 | 盐城中科高通量计算研究院有限公司 | 基于弱信号场景的无人驾驶定位方法 |
CN113777644B (zh) * | 2021-08-31 | 2023-06-02 | 盐城中科高通量计算研究院有限公司 | 基于弱信号场景的无人驾驶定位方法 |
CN114047501A (zh) * | 2021-09-30 | 2022-02-15 | 苏州豪米波技术有限公司 | 一种基于毫米波雷达的室内定位系统 |
CN114047501B (zh) * | 2021-09-30 | 2024-05-14 | 苏州豪米波技术有限公司 | 一种基于毫米波雷达的室内定位系统 |
CN113807471A (zh) * | 2021-11-18 | 2021-12-17 | 浙江宇视科技有限公司 | 雷达与视觉融合的车辆识别方法、装置、设备及介质 |
CN115273547A (zh) * | 2022-07-26 | 2022-11-01 | 上海工物高技术产业发展有限公司 | 一种道路防撞预警系统 |
CN115273547B (zh) * | 2022-07-26 | 2023-07-21 | 上海工物高技术产业发展有限公司 | 一种道路防撞预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109031304A (zh) | 基于视觉和毫米波雷达地图特征的隧道内车辆定位方法 | |
AU2022203635B2 (en) | Crowdsourcing and distributing a sparse map, and lane measurements or autonomous vehicle navigation | |
CN105667518B (zh) | 车道检测的方法及装置 | |
CN106407315B (zh) | 一种基于街景图像数据库的车辆自主定位方法 | |
CN111912416B (zh) | 用于设备定位的方法、装置及设备 | |
CN102208035B (zh) | 图像处理系统及位置测量系统 | |
CN102435188B (zh) | 一种用于室内环境的单目视觉/惯性全自主导航方法 | |
CN108896994A (zh) | 一种无人驾驶车辆定位方法及设备 | |
CN109405824A (zh) | 一种适用于智能网联汽车的多源感知定位系统 | |
CN108303103A (zh) | 目标车道的确定方法和装置 | |
CN108406731A (zh) | 一种基于深度视觉的定位装置、方法及机器人 | |
CN105930819A (zh) | 基于单目视觉和gps组合导航系统的实时城区交通灯识别系统 | |
KR102627453B1 (ko) | 위치 추정 장치 및 방법 | |
CN111830953A (zh) | 车辆自定位方法、装置及系统 | |
CN111006655A (zh) | 机场巡检机器人多场景自主导航定位方法 | |
CN103411587B (zh) | 定位定姿方法及系统 | |
Cao et al. | Camera to map alignment for accurate low-cost lane-level scene interpretation | |
CN109471096A (zh) | 多传感器目标匹配方法、装置及汽车 | |
CN208323361U (zh) | 一种基于深度视觉的定位装置及机器人 | |
CN112308913B (zh) | 一种基于视觉的车辆定位方法、装置及车载终端 | |
CN113093254A (zh) | 基于多传感器融合的地图特征的高架桥中的车辆定位方法 | |
Chiu et al. | Augmented reality driving using semantic geo-registration | |
Hara et al. | Vehicle localization based on the detection of line segments from multi-camera images | |
CN110415299B (zh) | 一种运动约束下基于设定路牌的车辆位置估计方法 | |
KR102626574B1 (ko) | 카메라 및 라이다의 캘리브레이션 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램 |
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: 20181218 |