CN110345952A - 一种序列化车道线地图构建方法及构建系统 - Google Patents

一种序列化车道线地图构建方法及构建系统 Download PDF

Info

Publication number
CN110345952A
CN110345952A CN201910615178.XA CN201910615178A CN110345952A CN 110345952 A CN110345952 A CN 110345952A CN 201910615178 A CN201910615178 A CN 201910615178A CN 110345952 A CN110345952 A CN 110345952A
Authority
CN
China
Prior art keywords
lane line
map
cluster
discrete
point
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
Application number
CN201910615178.XA
Other languages
English (en)
Inventor
王祝萍
张皓
方建
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.)
Tongji Institute Of Artificial Intelligence (suzhou) Co Ltd
Original Assignee
Tongji Institute Of Artificial Intelligence (suzhou) Co Ltd
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 Tongji Institute Of Artificial Intelligence (suzhou) Co Ltd filed Critical Tongji Institute Of Artificial Intelligence (suzhou) Co Ltd
Priority to CN201910615178.XA priority Critical patent/CN110345952A/zh
Publication of CN110345952A publication Critical patent/CN110345952A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G01C21/26—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
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种序列化车道线地图构建方法及构建系统，所述构建方法包括以下步骤：S1，同步对应采集车辆位姿和车道图像数据，获得车道线离散点信息；S2，将所述车道线离散点信息投影到全局地图中，获得离散的车道线地图；S3，将离散的车道线点云分块聚类拟合获得分段序列化的车道线曲线，将分段的车道线曲线拼接成完整的序列化车道线。与现有技术相比，本发明具有自动化、快速、精度高等优点。

Description

一种序列化车道线地图构建方法及构建系统
技术领域
本发明涉及智能交通技术领域，尤其是涉及一种序列化车道线地图构建方法及构建系统。
背景技术
对于智能车辆而言，准确地获取当前环境的道路信息是一项关键而基础的功能，决定车辆的能否按预期的规划完成相应的任务，确保安全、舒适、快速地到达目的地。一般来说，可以通过预先构建高精度地图，获取丰富的环境信息，使得在智能车辆行驶期间，减弱对实时感知的需求，而且保证更丰富的环境信息，确保智能车辆的安全。同样对于如何获取和维护这样的高精度地图当前还没有一个成熟而规范的方案，这也成为高精度地图不能服务于智能车系统的瓶颈。
在城市等复杂交通环境下，高精度车道线地图中的先验信息对车辆的智能化水平提升有着重要作用。在保障安全方面，不受光照、雾霾和雷雨等天气原因和昼夜的影响，即在恶劣天气情况下也能够获取完整的道路信息。在遵守城市交通规则方面，利用完整的车道线信息，进而获得车道级的路径规划，实现市区有序行驶。因此高精度地图是智能车系统中一个重要研究内容，是当前自动驾驶领域的研究热点。
传统的高精度车道线地图一种是通过人工标注生成，随着地图范围的增大，人力和物力成本都会增加，使得其使用受到极大的限制；另一种是直接获取车道线信息，但精度不高。因此，需提供一种能够自动化地、精确地构成车道线地图的方法。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷而提供一种序列化车道线地图构建方法及构建系统。
本发明的目的可以通过以下技术方案来实现：
一种序列化车道线地图构建方法，包括以下步骤：
S1，同步对应采集车辆位姿和车道图像数据，获得车道线离散点信息；
S2，将所述车道线离散点信息投影到全局地图中，获得离散的车道线地图；
S3，将离散的车道线点云分块聚类拟合获得分段序列化的车道线曲线，将分段的车道线曲线拼接成完整的序列化车道线。
进一步地，所述车道图像数据为距离车辆10米以内的有效数据。
进一步地，所述投影到全局地图具体为：
S201，将车辆位姿转换到平面笛卡尔坐标下，所述车辆位姿包括车辆的经度、纬度和航向角信息，坐标标记为(xv,yv,θv)；
S202，将每一帧的车道线离散点信息的车辆坐标系的坐标转换到全局坐标系下，得到当前帧的全局坐标(xg,yg)，转换公式为：
其中，(xc,yc)为车辆坐标系下的车辆原点；
S203，根据各帧全局坐标获得离散的车道线地图。
进一步地，所述步骤S3具体包括：
S301，将所述车道线地图划分为若干个小地图，针对每一小地图，对其中的离散的车道线点进行聚类拟合得到一条车道线曲线；
S302，将各小地图获得分段的车道线曲线合成完整的序列化车道线。
进一步地，所述聚类拟合具体为：
S311，对小地图中的车道线点采用体素网格方法进行下采样；
S312，将经下采样的车道线点构建为KD-Tree；
S313，任选一聚类起点，基于KD-Tree搜索聚类起点半径R范围内的点集合P，若P非空，则将所有点加入到簇类N中，并以集合P内距离当前搜索点最远点为聚类起点，若P为空，则重新搜索下一个类的聚类起点，完成所有点的聚类；
S314，将各簇类的聚类中心拟合为一条车道线曲线。
本发明还提供一种序列化车道线地图构建系统，包括GPS定位设备、摄像头设备和处理器，所述GPS定位设备设置于智能车辆上，用于采集车辆位姿，所述摄像头设备设置于智能车辆上，用于采集车道图像数据，所述处理器包括：
离散地图获取模块，用于获取所述车辆位姿和车道图像数据，将车道线离散点信息投影到全局地图中，获得离散的车道线地图；
聚类拟合模块，用于将离散的车道线点云分块聚类拟合获得分段序列化的车道线曲线；
整合模块，用于将分段的车道线曲线拼接成完整的序列化车道线。
进一步地，所述车道图像数据为距离车辆10米以内的有效数据。
进一步地，所述离散地图获取模块中，投影到全局地图具体为：
S201，将车辆位姿转换到平面笛卡尔坐标下，所述车辆位姿包括车辆的经度、纬度和航向角信息，坐标标记为(xv,yv,θv)；
S202，将每一帧的车道线离散点信息的车辆坐标系的坐标转换到全局坐标系下，得到当前帧的全局坐标(xg,yg)，转换公式为：
其中，(xc,yc)为车辆坐标系下的车辆原点；
S203，根据各帧全局坐标获得离散的车道线地图。
进一步地，所述聚类拟合模块中，将所述车道线地图划分为若干个小地图，针对每一小地图，对其中的离散的车道线点进行聚类拟合得到一条车道线曲线。
进一步地，所述聚类拟合具体为：
S311，对小地图中的车道线点采用体素网格方法进行下采样；
S312，将经下采样的车道线点构建为KD-Tree；
S313，任选一聚类起点，基于KD-Tree搜索聚类起点半径R范围内的点集合P，若P非空，则将所有点加入到簇类N中，并以集合P内距离当前搜索点最远点为聚类起点，若P为空，则重新搜索下一个类的聚类起点，完成所有点的聚类；
S314，将各簇类的聚类中心拟合为一条车道线曲线。
与现有技术相比，本发明具有如下有益效果：
1、本发明获取车道线离散点信息，并且对离散的车道线点云进行了分块聚类拟合，将无序的车道线数据变成有序的车道线数据，并能去除噪声，以此获得了序列化车道线，从而有效提高了地图精度。
2、本发明采集的车道图像数据选择距离车辆10米以内的有效数据，保证了数据的精度。
3、本发明的聚类拟合过程中，采用下采样减少点的数量，同时保存车道线的形状特征，并通过KD-Tree快速获得数据点的K个最近邻数据。
4、本发明方法可以快速构建序列化车道线地图。
附图说明
图1是本发明的构建方法的流程图；
图2是本发明获得全局坐标系下的离散车道线数据；
图3是本发明提出的针对车道线离散地图的聚类方法；
图4是本发明通过聚类拟合后得到的序列化车道线地图；
图中，A为车道线数据，B为环境轮廓数据。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
如图1所示，本发明提供一种序列化车道线地图构建方法，包括以下步骤：
S1，同步对应采集车辆位姿和车道图像数据，获得车道线离散点信息；
S2，将所述车道线离散点信息投影到全局地图中，获得离散的车道线地图；
S3，将离散的车道线点云分块聚类拟合获得分段序列化的车道线曲线，将分段的车道线曲线拼接成完整的序列化车道线。
在所述步骤S1中，利用高精度GPS定位设备采集车辆位姿，包括车辆的经度(latitude)、纬度(longitude)和航向角信息(heading angle)；利用摄像头设备采集车道图像数据，并采用已有技术从摄像头采集的图像中提取出车道线数据，将车道线数据表示为序列点坐标，参考点为车辆的原点,即为车辆坐标系下的局部坐标(xc,yc)。在数据采集的过程中，车辆的位姿信息和车道线数据需要做数据同步处理，即每一帧的车道线数据都可以找到对应的车辆位姿数据。
此外，由于车道线是利用图像计算出来的，车道线的精度会随着距离车辆的长度变化而变化，距离越远而精度越低，所以在计算的过程中，只选择距离车辆10米以内的有效数据。
在所述步骤S2中，投影到全局地图具体为：
S201，按照选定的参考地图原点信息，将GPS定位设备采集的车辆位姿转换到平面笛卡尔坐标下，坐标标记为(xv,yv,θv)；
S202，将每一帧的车道线离散点信息的车辆坐标系的坐标转换到全局坐标系下，得到当前帧的全局坐标(xg,yg)，转换公式为：
其中，(xc,yc)为车辆坐标系下的车辆原点；
S203，根据各帧全局坐标获得离散的车道线地图。
经步骤S2处理后获得如图2所示的车道线的离散点地图。虽然每一帧的车道线数据是序列化的，但是连续多帧数据全部投影到地图上，存在车道线数据的重复和重影现象。
在所述步骤3中，得到了离散的车道线地图点，需要通过聚类和拟合将其序列化，聚类可以将车道线进行分类拟合，把无序的车道线数据变成有序的车道线数据，通过拟合去除噪声。步骤S3具体包括：
S301，将车道线地图划分为若干个小地图，针对每一小地图，对其中的离散的车道线点进行聚类拟合得到一条车道线曲线；
S302，将各小地图获得分段的车道线曲线合成完整的序列化车道线，给每一条车道线定义唯一的序号。
针对离散车道线的高密度和线状分布特点，本发明提出了一种聚类算法，流程图如图3所示，具体过程包括：
S311，对小地图中的车道线点采用体素网格方法进行下采样。由于离散车道线数据冗余点较多，本发明采用体素网格方法实现下采样，减少点的数量，并同时保存车道线的形状特征。
S312，将经下采样的车道线点构建为KD-Tree，通过KD-Tree能够快速获得数据点的K个最近邻数据。
S313，任意搜索一聚类起点，基于KD-Tree搜索聚类起点半径R范围内的点集合P，若P非空，则将所有点加入到簇类N中，并以集合P内距离当前搜索点最远点为聚类起点，若P为空，则重新搜索下一个类的聚类起点，完成所有点的聚类；
S314，将各簇类的聚类中心拟合为一条车道线曲线。
聚类得到的序列化车道线数据如图4所示。
实施例2
本实施例提供一种序列化车道线地图构建系统，包括GPS定位设备、摄像头设备和处理器，GPS定位设备设置于智能车辆上，用于采集车辆位姿，摄像头设备设置于智能车辆上，用于采集车道图像数据，处理器包括：
离散地图获取模块，用于获取车辆位姿和车道图像数据，将车道线离散点信息投影到全局地图中，获得离散的车道线地图；
聚类拟合模块，用于将离散的车道线点云分块聚类拟合获得分段序列化的车道线曲线；
整合模块，用于将分段的车道线曲线拼接成完整的序列化车道线。
本实施例处理器的具体处理流程同实施例1。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种序列化车道线地图构建方法，其特征在于，包括以下步骤：
S1，同步对应采集车辆位姿和车道图像数据，获得车道线离散点信息；
S2，将所述车道线离散点信息投影到全局地图中，获得离散的车道线地图；
S3，将离散的车道线点云分块聚类拟合获得分段序列化的车道线曲线，将分段的车道线曲线拼接成完整的序列化车道线。
2.根据权利要求1所述的序列化车道线地图构建方法，其特征在于，所述车道图像数据为距离车辆10米以内的有效数据。
3.根据权利要求1所述的序列化车道线地图构建方法，其特征在于，所述投影到全局地图具体为：
S201，将车辆位姿转换到平面笛卡尔坐标下，所述车辆位姿包括车辆的经度、纬度和航向角信息，坐标标记为(xv,yv,θv)；
S202，将每一帧的车道线离散点信息的车辆坐标系的坐标转换到全局坐标系下，得到当前帧的全局坐标(xg,yg)，转换公式为：
其中，(xc,yc)为车辆坐标系下的车辆原点；
S203，根据各帧全局坐标获得离散的车道线地图。
4.根据权利要求1所述的序列化车道线地图构建方法，其特征在于，所述步骤S3具体包括：
S301，将所述车道线地图划分为若干个小地图，针对每一小地图，对其中的离散的车道线点进行聚类拟合得到一条车道线曲线；
S302，将各小地图获得分段的车道线曲线合成完整的序列化车道线。
5.根据权利要求4所述的序列化车道线地图构建方法，其特征在于，所述聚类拟合具体为：
S311，对小地图中的车道线点采用体素网格方法进行下采样；
S312，将经下采样的车道线点构建为KD-Tree；
S313，任选一聚类起点，基于KD-Tree搜索聚类起点半径R范围内的点集合P，若P非空，则将所有点加入到簇类N中，并以集合P内距离当前搜索点最远点为聚类起点，若P为空，则重新搜索下一个类的聚类起点，完成所有点的聚类；
S314，将各簇类的聚类中心拟合为一条车道线曲线。
6.一种序列化车道线地图构建系统，包括GPS定位设备、摄像头设备和处理器，所述GPS定位设备设置于智能车辆上，用于采集车辆位姿，所述摄像头设备设置于智能车辆上，用于采集车道图像数据，其特征在于，
所述处理器包括：
离散地图获取模块，用于获取所述车辆位姿和车道图像数据，将车道线离散点信息投影到全局地图中，获得离散的车道线地图；
聚类拟合模块，用于将离散的车道线点云分块聚类拟合获得分段序列化的车道线曲线；
整合模块，用于将分段的车道线曲线拼接成完整的序列化车道线。
7.根据权利要求6所述的序列化车道线地图构建系统，其特征在于，所述车道图像数据为距离车辆10米以内的有效数据。
8.根据权利要求6所述的序列化车道线地图构建系统，其特征在于，所述离散地图获取模块中，投影到全局地图具体为：
S201，将车辆位姿转换到平面笛卡尔坐标下，所述车辆位姿包括车辆的经度、纬度和航向角信息，坐标标记为(xv,yv,θv)；
S202，将每一帧的车道线离散点信息的车辆坐标系的坐标转换到全局坐标系下，得到当前帧的全局坐标(xg,yg)，转换公式为：
其中，(xc,yc)为车辆坐标系下的车辆原点；
S203，根据各帧全局坐标获得离散的车道线地图。
9.根据权利要求6所述的序列化车道线地图构建系统，其特征在于，所述聚类拟合模块中，将所述车道线地图划分为若干个小地图，针对每一小地图，对其中的离散的车道线点进行聚类拟合得到一条车道线曲线。
10.根据权利要求9所述的序列化车道线地图构建系统，其特征在于，所述聚类拟合具体为：
S311，对小地图中的车道线点采用体素网格方法进行下采样；
S312，将经下采样的车道线点构建为KD-Tree；
S313，任选一聚类起点，基于KD-Tree搜索聚类起点半径R范围内的点集合P，若P非空，则将所有点加入到簇类N中，并以集合P内距离当前搜索点最远点为聚类起点，若P为空，则重新搜索下一个类的聚类起点，完成所有点的聚类；
S314，将各簇类的聚类中心拟合为一条车道线曲线。
CN201910615178.XA 2019-07-09 2019-07-09 一种序列化车道线地图构建方法及构建系统 Pending CN110345952A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910615178.XA CN110345952A (zh) 2019-07-09 2019-07-09 一种序列化车道线地图构建方法及构建系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910615178.XA CN110345952A (zh) 2019-07-09 2019-07-09 一种序列化车道线地图构建方法及构建系统

Publications (1)

Publication Number Publication Date
CN110345952A true CN110345952A (zh) 2019-10-18

Family

ID=68178540

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910615178.XA Pending CN110345952A (zh) 2019-07-09 2019-07-09 一种序列化车道线地图构建方法及构建系统

Country Status (1)

Country Link
CN (1) CN110345952A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378175A (zh) * 2018-08-16 2019-10-25 北京京东尚科信息技术有限公司 道路边沿的识别方法和装置
CN111222418A (zh) * 2019-12-24 2020-06-02 武汉中海庭数据技术有限公司 一种车道线的多道路片段的众包数据快速融合优化方法
CN111611958A (zh) * 2020-05-28 2020-09-01 武汉四维图新科技有限公司 确定众包数据中车道线形状的方法、装置和设备
CN111612095A (zh) * 2020-06-01 2020-09-01 知行汽车科技（苏州）有限公司 信息聚类方法、装置及存储介质
CN111652952A (zh) * 2020-06-05 2020-09-11 腾讯科技（深圳）有限公司 车道线生成方法、装置、计算机设备和存储介质
CN112050821A (zh) * 2020-09-11 2020-12-08 湖北亿咖通科技有限公司 一种车道线聚合方法
CN112507977A (zh) * 2021-01-21 2021-03-16 国汽智控(北京)科技有限公司 一种车道线定位方法、装置及电子设备
CN113188549A (zh) * 2021-05-14 2021-07-30 安徽酷哇机器人有限公司 快速建立高精地图的方法和系统
CN113551664A (zh) * 2021-08-02 2021-10-26 湖北亿咖通科技有限公司 一种地图构建方法、装置、电子设备及存储介质
CN113868305A (zh) * 2020-06-30 2021-12-31 腾讯科技（深圳）有限公司 交通路线中关键点序列化方法及装置
CN114323059A (zh) * 2021-12-31 2022-04-12 深圳一清创新科技有限公司 一种道路表征方法、装置及设备
CN114510055A (zh) * 2022-02-18 2022-05-17 科大国创合肥智能汽车科技有限公司 一种构建后方车道线的方法
CN116071661A (zh) * 2023-04-06 2023-05-05 厦门大学 一种基于激光点云的城市道路场景语义分割方法
CN117928575A (zh) * 2024-03-22 2024-04-26 四川省公路规划勘察设计研究院有限公司 车道信息提取方法、系统、电子设备以及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103600707A (zh) * 2013-11-06 2014-02-26 同济大学 一种智能泊车系统的泊车位检测装置及方法
CN104766058A (zh) * 2015-03-31 2015-07-08 百度在线网络技术（北京）有限公司 一种获取车道线的方法和装置
CN105912977A (zh) * 2016-03-31 2016-08-31 电子科技大学 基于点聚类的车道线检测方法
CN108229730A (zh) * 2017-12-19 2018-06-29 同济大学 一种基于模糊奖励的无人驾驶车辆轨迹生成方法
CN108955702A (zh) * 2018-05-07 2018-12-07 西安交通大学 基于三维激光和gps惯性导航系统的车道级地图创建系统
CN109084782A (zh) * 2017-06-13 2018-12-25 蔚来汽车有限公司 基于摄像头传感器的车道线地图构建方法以及构建系统
CN109241929A (zh) * 2018-09-20 2019-01-18 北京海纳川汽车部件股份有限公司 自动驾驶车辆的车道线检测方法、装置及自动驾驶车辆
CN109596078A (zh) * 2019-01-28 2019-04-09 吉林大学 多信息融合路面谱实时测试系统和测试方法
CN109858460A (zh) * 2019-02-20 2019-06-07 重庆邮电大学 一种基于三维激光雷达的车道线检测方法
CN109977776A (zh) * 2019-02-25 2019-07-05 驭势（上海）汽车科技有限公司 一种车道线检测方法、装置及车载设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103600707A (zh) * 2013-11-06 2014-02-26 同济大学 一种智能泊车系统的泊车位检测装置及方法
CN104766058A (zh) * 2015-03-31 2015-07-08 百度在线网络技术（北京）有限公司 一种获取车道线的方法和装置
CN105912977A (zh) * 2016-03-31 2016-08-31 电子科技大学 基于点聚类的车道线检测方法
CN109084782A (zh) * 2017-06-13 2018-12-25 蔚来汽车有限公司 基于摄像头传感器的车道线地图构建方法以及构建系统
CN108229730A (zh) * 2017-12-19 2018-06-29 同济大学 一种基于模糊奖励的无人驾驶车辆轨迹生成方法
CN108955702A (zh) * 2018-05-07 2018-12-07 西安交通大学 基于三维激光和gps惯性导航系统的车道级地图创建系统
CN109241929A (zh) * 2018-09-20 2019-01-18 北京海纳川汽车部件股份有限公司 自动驾驶车辆的车道线检测方法、装置及自动驾驶车辆
CN109596078A (zh) * 2019-01-28 2019-04-09 吉林大学 多信息融合路面谱实时测试系统和测试方法
CN109858460A (zh) * 2019-02-20 2019-06-07 重庆邮电大学 一种基于三维激光雷达的车道线检测方法
CN109977776A (zh) * 2019-02-25 2019-07-05 驭势（上海）汽车科技有限公司 一种车道线检测方法、装置及车载设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DONGWOOK KIM 等: "Lane Map Building and Localization for Automated Driving Using 2D Laser Rangefinder", 《2015 IEEE INTELLIGENT VEHICLES SYMPOSIUM(IV)》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378175A (zh) * 2018-08-16 2019-10-25 北京京东尚科信息技术有限公司 道路边沿的识别方法和装置
CN111222418A (zh) * 2019-12-24 2020-06-02 武汉中海庭数据技术有限公司 一种车道线的多道路片段的众包数据快速融合优化方法
CN111222418B (zh) * 2019-12-24 2022-04-29 武汉中海庭数据技术有限公司 一种车道线的多道路片段的众包数据快速融合优化方法
CN111611958A (zh) * 2020-05-28 2020-09-01 武汉四维图新科技有限公司 确定众包数据中车道线形状的方法、装置和设备
CN111611958B (zh) * 2020-05-28 2023-08-22 武汉四维图新科技有限公司 确定众包数据中车道线形状的方法、装置和设备
CN111612095A (zh) * 2020-06-01 2020-09-01 知行汽车科技（苏州）有限公司 信息聚类方法、装置及存储介质
CN111612095B (zh) * 2020-06-01 2023-07-18 知行汽车科技(苏州)股份有限公司 信息聚类方法、装置及存储介质
CN111652952A (zh) * 2020-06-05 2020-09-11 腾讯科技（深圳）有限公司 车道线生成方法、装置、计算机设备和存储介质
CN113868305A (zh) * 2020-06-30 2021-12-31 腾讯科技（深圳）有限公司 交通路线中关键点序列化方法及装置
CN112050821A (zh) * 2020-09-11 2020-12-08 湖北亿咖通科技有限公司 一种车道线聚合方法
CN112050821B (zh) * 2020-09-11 2021-08-20 湖北亿咖通科技有限公司 一种车道线聚合方法
CN112507977B (zh) * 2021-01-21 2021-12-07 国汽智控(北京)科技有限公司 一种车道线定位方法、装置及电子设备
CN112507977A (zh) * 2021-01-21 2021-03-16 国汽智控(北京)科技有限公司 一种车道线定位方法、装置及电子设备
CN113188549A (zh) * 2021-05-14 2021-07-30 安徽酷哇机器人有限公司 快速建立高精地图的方法和系统
CN113551664B (zh) * 2021-08-02 2022-02-25 湖北亿咖通科技有限公司 一种地图构建方法、装置、电子设备及存储介质
CN113551664A (zh) * 2021-08-02 2021-10-26 湖北亿咖通科技有限公司 一种地图构建方法、装置、电子设备及存储介质
CN114323059A (zh) * 2021-12-31 2022-04-12 深圳一清创新科技有限公司 一种道路表征方法、装置及设备
CN114323059B (zh) * 2021-12-31 2024-09-20 深圳一清创新科技有限公司 一种道路表征方法、装置及设备
CN114510055A (zh) * 2022-02-18 2022-05-17 科大国创合肥智能汽车科技有限公司 一种构建后方车道线的方法
CN116071661A (zh) * 2023-04-06 2023-05-05 厦门大学 一种基于激光点云的城市道路场景语义分割方法
CN117928575A (zh) * 2024-03-22 2024-04-26 四川省公路规划勘察设计研究院有限公司 车道信息提取方法、系统、电子设备以及存储介质
CN117928575B (zh) * 2024-03-22 2024-06-18 四川省公路规划勘察设计研究院有限公司 车道信息提取方法、系统、电子设备以及存储介质

Similar Documents

Publication Publication Date Title
CN110345952A (zh) 一种序列化车道线地图构建方法及构建系统
KR102338270B1 (ko) 전자 지도를 업데이트하기 위한 방법, 장치 및 컴퓨터 판독 가능한 저장 매체
CN108955702B (zh) 基于三维激光和gps惯性导航系统的车道级地图创建系统
CN111882977B (zh) 一种高精度地图构建方法及系统
CN108763287B (zh) 大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法
US12111177B2 (en) Generating training data for deep learning models for building high definition maps
US11514682B2 (en) Determining weights of points of a point cloud based on geometric features
CN106296814B (zh) 公路养护检测与可视化交互方法和系统
CN111144388A (zh) 一种基于单目影像的道路标志标线的更新方法
CN103884321B (zh) 一种遥感影像成图工艺
CN107229690A (zh) 基于路侧传感器的高精度动态地图数据处理系统及方法
CN102074047A (zh) 一种高精细城市三维建模方法
CN112837414B (zh) 基于车载点云数据的三维高精度地图的构建方法
CN109916413A (zh) 基于网格划分的道路匹配方法、系统、装置和存储介质
CN109815300A (zh) 一种车辆定位方法
CN111325788A (zh) 一种基于街景图片的建筑物高度确定方法
CN108846333A (zh) 标志牌地标数据集生成及车辆定位方法
CN104657968A (zh) 车载三维激光点云立面分类及轮廓线提取自动化方法
US20230121226A1 (en) Determining weights of points of a point cloud based on geometric features
CN116129067A (zh) 一种基于多源地理信息耦合的城市实景三维建模方法
CN114459471A (zh) 定位信息确定方法、装置、电子设备及存储介质
CN118037983B (zh) 一种海量城市街景全景图片质量评价与快速三维建模方法
CN103700063A (zh) 基于高清卫星影像的地形图一体化快速成图方法
Gu et al. Surveying and mapping of large-scale 3D digital topographic map based on oblique photography technology
CN112686988B (zh) 三维建模方法、装置、电子设备及存储介质

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

Application publication date: 20191018

RJ01 Rejection of invention patent application after publication