CN110211371A - 用于求取道路交叉口的拓扑信息的方法 - Google Patents
用于求取道路交叉口的拓扑信息的方法 Download PDFInfo
- Publication number
- CN110211371A CN110211371A CN201910148551.5A CN201910148551A CN110211371A CN 110211371 A CN110211371 A CN 110211371A CN 201910148551 A CN201910148551 A CN 201910148551A CN 110211371 A CN110211371 A CN 110211371A
- Authority
- CN
- China
- Prior art keywords
- lane
- data
- intersection
- vehicle
- connectivity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 12
- 230000037361 pathway Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- BLRPTPMANUNPDV-UHFFFAOYSA-N Silane Chemical compound [SiH4] BLRPTPMANUNPDV-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910000077 silane Inorganic materials 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3626—Details of the output of route guidance instructions
- G01C21/3658—Lane guidance
-
- 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
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
- G01C21/3819—Road shape data, e.g. outline of a route
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种用于求取道路交叉口的拓扑信息的方法,所述方法具有以下步骤:在驶过所述道路交叉口时车辆的、车道精确的定位;在驶过所述道路交叉口时通过所述车辆求取数据;向处理装置(40)传输所述数据;并且,借助所述处理装置(40)由所述数据求取所述道路交叉口的车道/行车道组合的连通性。
Description
技术领域
本发明涉及一种用于求取道路交叉口的拓扑信息的方法。本发明还涉及一种用于求取道路交叉口的拓扑信息的设备。本发明还涉及一种计算机程序产品。
背景技术
在现有技术中已知如下可能性:借助其,车辆(例如借助摄像机、GPS、惯性传感机构等)可以车道精确地进行定位。
还已知的是,通过聚合通过测量车辆检测到的几何形状(例如车道标记、路牌等)产生高度精确的道路地图。
EP 3 171 292 A1公开一种用于处理地图数据、尤其车道数据的方法。在此,使用神经网络来确定原始图像与当前图像之间的一致性并且可以分配车道,以便以这种方式创建高度精确的地图。
CN 102 436 598 A描述一种用于基于借助神经网络处理的摄像机信息和位置信息求取最佳行驶路线的方法。公开一种神经网络在道路交通中的应用,其方式是,基于这些网络求取行驶路线。
发明内容
本发明的任务是,提供关于道路交叉口的连通性信息。
根据第一方面,借助一种用于产生道路地图的拓扑信息的方法解决该任务,所述方法具有以下步骤:
在驶过(Befahren)所述道路交叉口时车辆的、车道精确的定位;
在驶过所述道路交叉口时通过所述车辆求取数据;
向处理装置传输所述数据;并且,
借助所述处理装置由所述数据求取所述道路交叉口的车道/行车道组合的连通性。
有利地,以这种方式求取连通性,也就是说,求取道路交叉口的入口车道与出口车道的关联。有利地,以这种方式提供关于可以如何在交叉口以内引导车辆的信息。由此,结果,由许多的、可能也有误差的数据提供道路交叉口的无误差的拓扑信息。有利地,这些数据例如可以以各种方式进一步用于数字地图的制造商、导航系统的制造商等。
根据另一方面,借助一种用于求取道路交叉口的拓扑信息的系统解决该任务,该系统具有:
定位装置,其用于在驶过所述道路交叉口时车辆的、车道精确的定位;
求取装置,其用于在驶过所述道路交叉口时通过所述车辆求取数据;
传输装置,其用于向处理装置传输所述数据;其中,所述处理装置构造用于由所述数据求取所述道路交叉口的车道的连通性。
所述方法的有利的扩展方案是从属权利要求的主题。
所述方法的一种有利的扩展方案设置,在使用WGS85坐标的情况下执行所述车辆的、车道精确的定位。以这种方式使用经过验证的用于以GPS数据形式进行精确定位的方法。
所述方法的另一有利的扩展方案设置,在使用道路名称的情况下执行车辆的、车道精确的定位。由此,提供车道精确的定位的一种替代的可能性。
所述方法的另一有利的扩展方案设置,使用车辆的限定地大的数目的行程的数据用于求取连通性。由此支持统计学上的高的数据质量。
所述方法的另一有利的扩展方案的特征在于,由所述数据创建车道变换矩阵,所述车道变换矩阵说明所述车辆从哪个车道/道路组合驶入其他的车道/道路组合,其中,将所述车道变换矩阵作为输入数据提供给神经网络。
所述方法的另一有利的扩展方案的特征在于,在求取所述连通性时执行不可能的连通性数据的、限定的过滤。以这种方式,实现最大可能地避免不存在的连通性数据。
所述方法的另外的有利的扩展方案的特征在于,实时或不实时地向处理装置传输数据。由此,有利地提供数据传输的不同的可能性。
所述方法的另一有利的实施方式的特征在于,神经网络以数字的形式或以邻接矩阵的形式提供关于连通性的数据。由此,有利地提供用于输出连通性数据的不同的可能性。
以下借助另外的特征和优点根据多个附图详细地描述本发明。在此,描述的或示出的所有特征单独地或以任意组合构成本发明的主题,与其在发明权利要求或引用关系中的概括无关,以及与其在说明书或附图中的表述或表示无关。
所公开的方法特征类似地由相应的所公开的设备特征得出,反之亦然。这尤其意味着,与所述方法相关的特征、技术优点和实施类似地由系统的相应的实施、特征和优点得出,反之亦然。
附图说明
附图示出:
图1示出具有多个行车道和车道的道路交叉口的原理图;
图2示出所提出的用于求取道路交叉口的拓扑信息的方法的功能方式的原理图;
图3示出用于求取道路交叉口的拓扑信息的系统的实施方式的方框图;
图4示出所提出的用于求取道路交叉口的拓扑信息的方法的实施方式的原理流程。
具体实施方式
本发明的核心构想尤其是,提供一种自动化的方法,借助所述方法由对车队的简单观察的集合可以求取不同道路上的车道彼此的联系。因此,所提出的方法对于一对道路A和B求取:车辆可以从道路A上的哪个车道向道路B上的车道的哪个集合转弯。
在此,对车队的简单观察包括以下观察:
由车辆在其最近的行程中驶过的道路区段的顺序;
对于每个道路区段:认为车辆停在哪个车道上?
在什么位置认为车辆已经完成车道变换并且已经从哪个车道变换到哪个其他的车道上?
所提及的观察可以由能够在道路地图上车道精确地定位的任何车辆完成。在此,可能的是,各个车辆的观察是有误差的。借助本发明提出的方法容忍这种观察误差。
借助本发明提出,车辆在观察区域内驶过道路交叉口并且优选地向中央机构(Instanz)无线地传输其车道精确的自身定位的结果。在此,可以借助移动无线电、WLAN或借助其他的无线传输技术执行无线传输。
从现在起,中央机构由观察的、限定的集合推断出不同道路的车道是如何彼此连接的(“连通性”)。如图1所示的那样,这些例如可以看作用于四个道路的交叉口:
识别出具有总共四个行车道A、B、C和D的交叉口,其中,行车道A和C分别具有三个车道0...2,其中,行车道B和D分别具有四个行车道0...3。借助所提出的方法:求取从行车道A-D中的哪个车道可以向另一行车道中的哪个车道转弯。
已知的且在实践中使用的用于生成车道精确的道路地图的方法与昂贵的人工工作相关。此外,在此使用的车辆使用特殊的且部分非常成本昂贵的硬件记录基础设施的给定条件。
相比之下,借助本发明提出的方法仅仅需要一种车道精确的自身定位的可能性。通过以下方式可以以高得多的速率更新车道精确的道路地图:通过这些车辆可以永久地报告观察数据。
车队的每辆车记录由该车辆行驶的路段。为此,对于所驶过的道路的顺序(其存在优选地由车载地图已知)分别记录,车辆已经处于哪个车道上(自身车道估计)并且车辆已经在哪里(地理上的,例如借助根据WGS85坐标的GPS位置、道路名称等)执行车道变换。因为自身车道估计可能是有误差的,所以由车辆记录的路段以下标记为“有误差的车道精确的路线R”。
假设R∈(P×S×G)
其中,
P:所有可通行的道路区段的集合;
S:道路的所有可能的车道的集合;
G:地面上所有地理位置的集合;
然后,
r=((p0,s0,g0),(p0,s1,g1),(p1,s2,g2),(p1,s3,g3)),其中,p0,p1∈P
s0,s1,s2,s3∈S
g0,g1,g2∈G
描述可能的有误差的车道精确的路线,该路线表明在道路p0上的g0处的车辆已经使用车道s0并且在p0上的g1处已经从车道s0变换到车道s1。接下来,在g2处从道路p0车道S1已经变换到道路p1车道S2,并且,在p1上的g3处从车道s2行驶到车道s3上,其中适用:
pi:道路的具体表达;
si:车道的具体表达;
gi:地理位置的具体表达。
现在,现在在处理装置40中以中央机构或后端系统的形式收集一定量的车辆的有误差的车道精确的路线。该后端系统拥有电子道路地图K,然而该电子道路地图不一定具有关于行车道的车道彼此的连通性的信息。
借助所提出的方法可能的是,产生关于连通性的信息。
在图2中示出所述方法的示意图。对于在数字地图K(“交叉点”或“道路交叉点”)中两个或更多个道路p0,p1,...,pn∈P彼此相遇的每个地理点g∈G检查:在处理装置上是否有足够的(例如1000个或更多个)可能有误差的路线,在所述路线的情况下车辆已经从p0行驶到道路p1...pn中的一个上。
如果是这种情况,则对于每个属于交叉口的道路对(si,sj),0≤i,j≤n以及i≠j创建一个矩阵(“车道变换矩阵”)
M(i,j)∈Nm×m
其中,项说明多少车辆在观察中从道路si上的车道k变换到道路sj上的车道l上。
Nm×m:具有m个行和m个列的所有矩阵的集合,其仅仅包含自然数。
该矩阵现在作为先前训练的神经网络的输入使用,该神经网络由该矩阵求取并且接下来输出道路si和sj彼此的连通性。如果对于交叉口的所有道路对执行这点,则因此可以确定整个交叉口的车道精确的连通性,其方式是,聚合该交叉口的所有行车道的信息。
优选地,所使用的神经网络涉及前馈神经网络,所述前馈神经网络具有优选多个隐藏层,其中,神经网络的输入是矩阵M(i,j)∈Nm×m。该矩阵作为向量V∈Rm.m被提供给神经网络,其中适用:
其中适用:
Rm.m:长度为m·m(=m2)的所有向量的集合,所述向量仅仅由实数组成;
在矩阵M(i,j)的行k和列l中的项;
M(i,j):车道变换矩阵,其描述道路对pi和pj之间的所完成的车道变换的数目;
0≤k≤m
0≤l≤m
m∈N
N:所有自然数的集合(包括0)
V也可以归一化到值范围[0,1]中。因此,神经网络具有m2个输入节点和o个输出节点,其中,o表示道路交叉口的两个行车道的车道可以彼此连接的有意义的可能性的数目。因此,神经网络将输入矩阵M(i,j)映射到如下可能性中的一个上:可以以哪种方式将两个行车道pi、pj彼此连接。这些可能性在神经网络的训练阶段之前完全且明确地列举并且分别分配给恰好一个输出节点。
例如,对于具有最多m个车道的行车道:
可能性1:pi车道0到pj车道0
可能性2:pi车道0到pj车道1
...
可能性m:pi车道0到pj车道m
可能性m+1:pi车道1到pj车道0
...
可能性m2:pi车道m到pj车道m
可能性m2+1:pi车道0到pj车道0,以及pi车道1到pj车道1
...
可能性m2+(m-1)2:pi车道m-1到pj车道m-1,以及pi车道m到pj车道m
...
可能性pi车道k到pj车道k…对于0≤k≤m
对于m=10,这将是o=385种可能性。因此,这种类型和方式,神经网络的输出信息以通过说明道路交叉口的车道/道路组合与其他车道/道路组合之间的连通性的数字来表示。
替代神经网络将输入矩阵M(i,j)映射到如何可以将两个行车道pi、pj彼此连接的可能性,神经网络的输出也可以由o=m2个节点组成,其可以解释为车道的邻接矩阵。为此,神经网络的第(mk+1)个输出节点说明在道路i的车道k与道路j的车道l之间存在连接,其中适用:
0≤k,l≤m。
对于本领域技术人员而言可以看出,为了执行所提出的方法,可以使用可以以不同的方式训练的多个神经网络。
神经网络的训练可以以不同方式来实现。例如,以下的示例性地提及的参数例如已经得出良好的结果,然而其中,也可以借助在此未提及的其他参数实现良好的结果:
-优化算法:借助迭代的随机梯度下降法;
-目标函数:均方对数误差;
-更新:具有动量0.98的Nesterovs;
-借助Xavier的初始权重;
-学习率0.1;
-将入口划分为o个不同的类别(每个道路最多m个车道,每个类别代表两个道路之间的可能的“转弯拓扑”);
-每个类别100个数据集,其中,一个数据集由大约300个通路(Durchfahrt)组成;
-从o·100个训练数据集中随机抽取的250个数据集的最小批(Minibatches)。
其中,作为激活函数使用Softsign函但其中,也可以考虑其他的函数。
图2示出所提出的方法的一种原理上的功能方式。可以看出三行式结构,该结构说明由驶入道路或驶入行车道可以考虑三个驶出道路或驶出行车道,如其通过具有四个行车道的道路交叉口可实现的那样。
在列1中,在车辆的车道精确地定位的过程中求取一个车道/道路组合与在此行驶的其他的车道/道路组合的数据并且由此形成所分配的车道变换矩阵。列2的三行表示列1的车道变换矩阵的区段,所述区段表示从行车道A的哪个车道可以向行车道B、C、D的与此相关的车道转弯的三种可能性。
在列3中,将车道变换矩阵分别提供给神经网络。在列4中,借助神经网络求取道路交叉口的车道/行车道组合之间的连通性。
列5代表神经网络的输出信息,该输出信息因此说明整个交叉口的连通性,这通过道路交叉口以内的箭头说明。
图3示出所提出的用于求取道路交叉口的拓扑的系统100的实施方式的方框图。
看出一种用于驶过道路交叉口时车辆(未示出)的、车道精确的定位的定位装置10。定位装置10与求取装置20在功能上连接,该求取装置设置用于通过车辆在驶过道路交叉口时求取数据。传输装置30在功能上连同求取装置20设置用于向处理装置40无线地传输数据。替代地,也可以设置,向处理装置40有线地传输数据。在此可以设置,实时地或替代地非实时地向处理装置40传输所提及的数据。处理装置40构造用于由所提供的数据求取道路交叉口的车道的连通性。
图4示出一种用于求取道路交叉口的拓扑的方法的原理流程。
在步骤200中,在驶过道路交叉口时执行车辆的、车道精确的定位。
在步骤210中,在驶过道路交叉口时通过车辆求取数据。
在步骤220中,向处理装置40传输数据。
在步骤230中,借助处理装置40由所述数据求取道路交叉口的车道/行车道组合的连通性。
结果,借助所提出的方法可以有利地提高道路交通中的安全水平并且提供均匀的交通流。
有利地,根据本发明的方法例如可以实现为软件,该软件例如在系统100上运行。以这种方式支持所述方法的简单的可适应性。
本领域技术人员以合适的方式修改和/或彼此组合本发明的特征,而不偏离本发明的核心。
Claims (10)
1.一种用于求取道路交叉口的拓扑信息的方法,所述方法具有以下步骤:
在驶过所述道路交叉口时车辆的、车道精确的定位;
在驶过所述道路交叉口时通过所述车辆求取数据;
向处理装置(40)传输所述数据;并且,
借助所述处理装置(40)由所述数据求取所述道路交叉口的车道/行车道组合的连通性。
2.根据权利要求1所述的方法,其中,在使用WGS85坐标的情况下执行所述车辆的、车道精确的定位。
3.根据权利要求1所述的方法,其中,在使用道路名称的情况下执行所述车辆的、车道精确的定位。
4.根据以上权利要求中任一项所述的方法,其中,使用所述车辆的限定地大的数目的行程的数据用于求取所述连通性。
5.根据以上权利要求中任一项所述的方法,其中,由所述数据创建车道变换矩阵,所述车道变换矩阵说明所述车辆从哪个车道/道路组合驶入其他的车道/道路组合,其中,将所述车道变换矩阵作为输入数据提供给神经网络。
6.根据以上权利要求中任一项所述的方法,其中,在求取所述连通性时执行不可能的连通性数据的、限定的过滤。
7.根据以上权利要求中任一项所述的方法,其中,实时地或不实时地向所述处理装置(40)传输所述数据。
8.根据以上权利要求中任一项所述的方法,其中,所述神经网络以数字的形式或以邻接矩阵的形式提供关于连通性的数据。
9.一种用于求取道路交叉口的拓扑信息的系统(100),所述系统具有:
定位装置(10),其用于在驶过所述道路交叉口时车辆的、车道精确的定位;
求取装置(20),其用于在驶过所述道路交叉口时通过所述车辆求取数据;
传输装置(30),其用于向处理装置(40)传输所述数据;其中,所述处理装置(40)构造用于由所述数据求取所述道路交叉口的车道的连通性。
10.一种计算机程序产品,其包括程序代码单元,用于当所述计算机程序产品在电子设备(100)上运行或存储在计算机可读取的数据载体上时执行根据权利要求1至8中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018202970.9A DE102018202970A1 (de) | 2018-02-28 | 2018-02-28 | Verfahren zum Ermitteln einer topologischen Information einer Straßenkreuzung |
DE102018202970.9 | 2018-02-28 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110211371A true CN110211371A (zh) | 2019-09-06 |
CN110211371B CN110211371B (zh) | 2022-10-11 |
Family
ID=67550173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910148551.5A Active CN110211371B (zh) | 2018-02-28 | 2019-02-28 | 用于求取道路交叉口的拓扑信息的方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10949682B2 (zh) |
CN (1) | CN110211371B (zh) |
DE (1) | DE102018202970A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827544B (zh) * | 2019-11-11 | 2022-09-02 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
CN113237486B (zh) * | 2021-05-13 | 2024-04-12 | 京东鲲鹏(江苏)科技有限公司 | 道路横向拓扑关系构建方法、装置、配送车及存储介质 |
CN115311759B (zh) * | 2022-07-08 | 2023-09-05 | 东风汽车集团股份有限公司 | 一种车辆耐久目标获取方法、装置、设备及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20000025578A (ko) * | 1998-10-13 | 2000-05-06 | 윤종용 | 차로의 모델링 방법 및 그를 이용한 차선 인식 방법 |
US6178377B1 (en) * | 1996-09-20 | 2001-01-23 | Toyota Jidosha Kabushiki Kaisha | Positional information providing system and apparatus |
EP1628274A1 (de) * | 2004-08-17 | 2006-02-22 | Siemens Aktiengesellschaft | Verfahren und System zum Ermitteln von Verkehrsinformationen und zum Steuern des Verkehrs |
US20100322476A1 (en) * | 2007-12-13 | 2010-12-23 | Neeraj Krantiveer Kanhere | Vision based real time traffic monitoring |
US20110112760A1 (en) * | 2008-12-03 | 2011-05-12 | Alexandru Serbanescu | Method of creating map data comprising transit times for intersections |
WO2012011713A2 (ko) * | 2010-07-19 | 2012-01-26 | 주식회사 이미지넥스트 | 차선 인식 시스템 및 방법 |
US20130002871A1 (en) * | 2011-06-30 | 2013-01-03 | Harman Becker Automotive Systems Gmbh | Vehicle Vision System |
WO2013045150A1 (de) * | 2011-09-26 | 2013-04-04 | Robert Bosch Gmbh | Verfahren zur übermittlung von routendaten für die verkehrstelematik |
US20140278055A1 (en) * | 2013-03-15 | 2014-09-18 | Hewlett-Packard Development Company, L.P. | Updating road maps |
WO2015106913A1 (de) * | 2014-01-16 | 2015-07-23 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und system zum schätzen eines fahrspurverlaufs |
US20160102987A1 (en) * | 2014-10-14 | 2016-04-14 | Guangzhou Hkust Fok Ying Tung Research Institute | Method for inferring type of road segment |
US20160307445A1 (en) * | 2013-12-27 | 2016-10-20 | C's Lab Co., Ltd. | Map data update device |
CN107226087A (zh) * | 2017-05-26 | 2017-10-03 | 西安电子科技大学 | 一种结构化道路自动驾驶运输车及控制方法 |
US20180022347A1 (en) * | 2016-07-20 | 2018-01-25 | Ford Global Technologies, Llc | Rear camera stub detection |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6442456B2 (en) * | 2000-03-07 | 2002-08-27 | Modular Mining Systems, Inc. | Anti-rut system for autonomous-vehicle guidance |
US8386156B2 (en) * | 2010-08-02 | 2013-02-26 | Siemens Industry, Inc. | System and method for lane-specific vehicle detection and control |
CN102436598B (zh) * | 2011-09-08 | 2014-04-02 | 崔志明 | 一种基于交通图像信息的车辆最优路径挖掘方法 |
DE102013205057B3 (de) * | 2013-03-21 | 2014-08-28 | Siemens Aktiengesellschaft | Verfahren zum Betreiben einer stationären Einrichtung sowie stationäre Einrichtung innerhalb eines Systems zur Kommunikation |
US9435654B2 (en) * | 2013-06-01 | 2016-09-06 | Savari, Inc. | System and method for creating, storing, and updating local dynamic MAP database with safety attribute |
DE102013107960B4 (de) * | 2013-07-25 | 2020-11-05 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Aktualisierung einer Datenbasis sowie Einrichtung und Computerprogramm |
JP6145024B2 (ja) * | 2013-10-25 | 2017-06-07 | 日立建機株式会社 | ダンプトラックの運行管理システム |
DE102013227144A1 (de) * | 2013-12-23 | 2014-12-11 | Siemens Aktiengesellschaft | Verkehrskommunikationsstation sowie Verfahren zum Betreiben einer Verkehrskommunikationsstation |
EP2918974B1 (en) * | 2014-03-11 | 2019-01-16 | Volvo Car Corporation | Method and system for determining a position of a vehicle |
JP6280850B2 (ja) * | 2014-09-29 | 2018-02-14 | 日立建機株式会社 | 障害物回避システム |
EP3128495B1 (de) * | 2015-08-05 | 2022-04-13 | Yunex GmbH | Verfahren zur geographischen bereichserkennung von verkehrsinfrastruktur |
CN105260699B (zh) * | 2015-09-10 | 2018-06-26 | 百度在线网络技术(北京)有限公司 | 一种车道线数据的处理方法及装置 |
US10657821B2 (en) * | 2018-06-13 | 2020-05-19 | Whelen Engineering Company, Inc. | Autonomous intersection warning system for connected vehicles |
-
2018
- 2018-02-28 DE DE102018202970.9A patent/DE102018202970A1/de active Pending
-
2019
- 2019-02-26 US US16/285,456 patent/US10949682B2/en active Active
- 2019-02-28 CN CN201910148551.5A patent/CN110211371B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6178377B1 (en) * | 1996-09-20 | 2001-01-23 | Toyota Jidosha Kabushiki Kaisha | Positional information providing system and apparatus |
KR20000025578A (ko) * | 1998-10-13 | 2000-05-06 | 윤종용 | 차로의 모델링 방법 및 그를 이용한 차선 인식 방법 |
EP1628274A1 (de) * | 2004-08-17 | 2006-02-22 | Siemens Aktiengesellschaft | Verfahren und System zum Ermitteln von Verkehrsinformationen und zum Steuern des Verkehrs |
US20100322476A1 (en) * | 2007-12-13 | 2010-12-23 | Neeraj Krantiveer Kanhere | Vision based real time traffic monitoring |
US20110112760A1 (en) * | 2008-12-03 | 2011-05-12 | Alexandru Serbanescu | Method of creating map data comprising transit times for intersections |
WO2012011713A2 (ko) * | 2010-07-19 | 2012-01-26 | 주식회사 이미지넥스트 | 차선 인식 시스템 및 방법 |
US20130002871A1 (en) * | 2011-06-30 | 2013-01-03 | Harman Becker Automotive Systems Gmbh | Vehicle Vision System |
WO2013045150A1 (de) * | 2011-09-26 | 2013-04-04 | Robert Bosch Gmbh | Verfahren zur übermittlung von routendaten für die verkehrstelematik |
US20140278055A1 (en) * | 2013-03-15 | 2014-09-18 | Hewlett-Packard Development Company, L.P. | Updating road maps |
US20160307445A1 (en) * | 2013-12-27 | 2016-10-20 | C's Lab Co., Ltd. | Map data update device |
WO2015106913A1 (de) * | 2014-01-16 | 2015-07-23 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und system zum schätzen eines fahrspurverlaufs |
US20160102987A1 (en) * | 2014-10-14 | 2016-04-14 | Guangzhou Hkust Fok Ying Tung Research Institute | Method for inferring type of road segment |
US20180022347A1 (en) * | 2016-07-20 | 2018-01-25 | Ford Global Technologies, Llc | Rear camera stub detection |
CN107226087A (zh) * | 2017-05-26 | 2017-10-03 | 西安电子科技大学 | 一种结构化道路自动驾驶运输车及控制方法 |
Also Published As
Publication number | Publication date |
---|---|
DE102018202970A1 (de) | 2019-08-29 |
CN110211371B (zh) | 2022-10-11 |
US10949682B2 (en) | 2021-03-16 |
US20190266417A1 (en) | 2019-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3293489B1 (en) | Method and apparatus for providing trajectory bundles for map data analysis | |
US10775185B2 (en) | Method and apparatus for acquiring route popularity in road networks | |
US11194846B2 (en) | Method and apparatus for providing automated generation of parking restriction data using machine learning | |
CN101275841B (zh) | 地物信息收集装置及地物信息收集方法 | |
US9250079B2 (en) | Navigation system with parking lot integrated routing mechanism and method of operation thereof | |
CN110211371B (zh) | 用于求取道路交叉口的拓扑信息的方法 | |
EP3462133A2 (en) | Method and apparatus for identifying a transport mode of probe data | |
US11906309B2 (en) | Method and apparatus for providing a map matcher tolerant to wrong map features | |
EP2630443B1 (en) | Method of determining and validating navigational priority settings utilizing probe data | |
JP5874414B2 (ja) | ナビゲーションシステム、及びサーバ装置 | |
EP3992581A1 (en) | Method, apparatus, and system for estimating continuous population density change in urban areas | |
CN101313199A (zh) | 根据群组分析的最优路线计算 | |
CN107735647A (zh) | 候补路径提供系统、车载装置及候补路径提供方法 | |
WO2016123867A1 (zh) | 一种位置搜索认知的方法及装置 | |
CN101688780B (zh) | 导航服务器、导航装置、导航系统 | |
JP6819448B2 (ja) | 画像送信プログラム、及び、画像送信装置 | |
US11023752B2 (en) | Method and system for learning about road signs using hierarchical clustering | |
CN111081063A (zh) | 创建观察数据、求取车道数量的方法及相关的系统、服务器单元和控制器 | |
Albalawneh et al. | A new federated genetic algorithm-based optimization technique for multi-criteria vehicle route planning using ArcGIS network analyst | |
CN111862657A (zh) | 一种确定路况信息的方法及装置 | |
Ariyanto et al. | Implementing a star for bicycle route finding system using OSM and GraphHopper: case study: Batu, Indonesia | |
EP3671127B1 (en) | Method and apparatus for mining pedestrian probe data from mix-mode probe data | |
JP2015194438A (ja) | 地図データ構造、経路探索装置、および経路探索方法 | |
US20180365988A1 (en) | A method and system of linear road sampling providing road traffic flow measurements | |
KR101417432B1 (ko) | 차량의 운행정보를 이용한 차로정보 구축 장치 및 그 방법 |
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 |