CN110794833A - 基于gps/bds无人驾驶地面运动模拟靶标的运动特征学习方法 - Google Patents
基于gps/bds无人驾驶地面运动模拟靶标的运动特征学习方法 Download PDFInfo
- Publication number
- CN110794833A CN110794833A CN201911019835.0A CN201911019835A CN110794833A CN 110794833 A CN110794833 A CN 110794833A CN 201911019835 A CN201911019835 A CN 201911019835A CN 110794833 A CN110794833 A CN 110794833A
- Authority
- CN
- China
- Prior art keywords
- longitude
- latitude
- path
- lat
- target vehicle
- 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 31
- 238000004088 simulation Methods 0.000 title claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 17
- 101150090997 DLAT gene Proteins 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Navigation (AREA)
Abstract
本发明提出了一种基于GPS/BDS无人驾驶地面运动模拟靶标的运动特征学习方法,具体步骤为:采集无人驾驶模拟靶标车辆的GPS/BDS数据信息并对其进行预处理,得到与地图API接口匹配的对应解析数据;采用改进的二次B样条方法对预处理后的数据进行拟合得到靶车学习的行驶路径,并保存到数据库中;使无人驾驶靶车沿学习路径行驶。本发明可以实现在没有地图的未知区域车辆学习路径,并且车辆行驶过程中完全脱离人工控制,自主识别道路,修正行驶路线。
Description
技术领域
本发明属于智能驾驶技术,具体为一种基于GPS/BDS无人驾驶地面运动模拟靶标的运动特征学习方法。
背景技术
近年来,无人驾驶技术成为车辆行业发展的一个大趋势,它通过结合各种高级传感器以及计算机系统实现自动驾驶,使人们是生活更加便捷。无人驾驶比起人工驾驶更加安全可靠,可以预见,不久的将来无人驾驶技术将会实现全面普及。CN201710770252.6公开了一种无人驾驶智能导航定位路径规划系统。该专利将环境感知信息、车辆定位信息以及导航信息相结合,使组合导航系统能够长期稳定地为无人驾驶车辆提供高精度的导航定位信息,并提出了一种智能规划行驶路径的方法。但是,该专利的实现建立在已经存在地图的基础之上,对于未知的空旷区域,则无法实现路径的自动规划。
发明内容
本发明的目的在于提出了一种基于GPS/BDS无人驾驶地面运动模拟靶标的运动特征学习方法。
实现本发明目的的技术方案为:一种基于GPS/BDS无人驾驶地面运动模拟靶标的运动特征学习方法,具体步骤为:
步骤1、采集无人驾驶模拟靶标车辆的GPS/BDS数据信息并对其进行预处理,得到与地图API接口匹配的对应解析数据;
步骤2、采用改进的二次B样条方法对预处理后的数据进行拟合得到靶车学习的行驶路径,并保存到数据库中;
步骤3、使无人驾驶靶车沿学习路径行驶。
优选地,所述GPS/BDS数据信息包括无人驾驶模拟靶标车辆的实时经纬度信息、以及速度信息。
优选地,对GPS/BDS数据信息进行预处理的具体公式为:
预处理后的维度:dlat=a=b+c+d
其中:
b=(20*sin(6π*lat)+20*sin(2π*lat))*2/3
c=(20*sin(π*lon)+40*sin(lon*π/3))*2/3
dlon为预处理后的经度:dlon=a1+b1+c1+d1
其中:
b1=(20*sin(6π*lat)+20*sin(2π*lat))*2/3
c1=(20*sin(π*lat)+40*sin(lat*π/3))*2/3
d1=(150+sin(π/12*lat)+300*sin(π/30*lon))*2/3
dlat为预处理后的维度,dlon为预处理后的经度,lat为实际采集的纬度,lon为实际采集的经度。
优选地,采用改进的二次B样条方法对预处理后的数据进行拟合得到靶车学习的行驶路径具体步骤为:
步骤2-1、对预处理过的经纬度数据,将经度和纬度分别作为横、纵坐标,经纬度坐标对应的每一个点为控制点,用向量Pi表示,0<i<n,n为预处理过的经纬度数据总数;
步骤2-2、取初始点/终点a以及与初始点a相邻的点b,以初始点/终点a为对称中心找到b的对称点b’,用b’代替点初始点/终点a;
步骤2-3、根据控制点的横坐标,将横轴划分为子区间,用k+1个节点平均划分每个子区间;
步骤2-4、将节点的坐标数据代入基函数,求得每一项基函数再将基函数依次迭代到B样条基本公式中,得到靶车学习的行驶路径,并在地图上显示出学习好的行驶路径。
优选地,所述B样条基本公式为:
P(t)表示要得到的学习路径,Ni,k(t)为基函数,具体为:
经纬度坐标对应的每一个点为控制点,用向量Pi表示。确定第i个k阶B样条基函数Ni,k(t),需ti到ti+k共k+1个节点,在B样条基本公式中n+1个控制点Pi将横轴划分为n个子区间,每一个子区间又被ti,0到ti,k共k+1个节点平均划分为k个小区间。为了方便表示,我们将节点与控制点一并取并集表达,T=[t0,t1,,,,,,tn+k]。
优选地,当靶车偏离正确路径时,对经纬度进行纠正后再与数据库存储的路径进行匹配,具体纠正方法为:
确定靶车偏离经纬度,具体为:
下面θ为经线与路径垂线的夹角,(lon,lat)为实时经纬度,d为路宽;
当靶车超出路径边缘时,按照偏离的经纬度对经纬度进行纠正;
若路径为南北方向,则纬度不变,偏离时的经度与实际路径的经度相差为:
若偏离时纬度为lat,将偏离靶车的纬度纠正为lat+x。
若路径为东西方向:则经度不变,相差的纬度为:
若偏离时经度为lon,将偏离靶车的经度纠正为lon+y。
若道路不为正东西、正南北方向,则:
纬度相差:
经度相差:
若偏离时纬度为lat,经度为lon,将偏离靶车的纬度纠正为lat+m,经度纠正为lon+n。
本发明与现有技术相比,其显著优点为:本发明可以实现在没有地图的未知区域车辆学习路径,并且车辆行驶过程中完全脱离人工控制,自主识别道路,修正行驶路线,使其按照指定的速度和路径行驶。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1为起点二次B样条拟合边界条件示意图。
图2为起点改进边界条件的二次B样条拟合示意图。
图3为终点二次B样条拟合边界条件示意图。
图4为终点改进边界条件的二次B样条拟合示意图。
图5为模拟靶标系统分布示意图。
具体实施方式
如图5所示,一种基于GPS/BDS无人驾驶地面运动模拟靶标的运动特征学习方法,该方法能够实现无人驾驶模拟靶标在指定的路径中按照已经学习的运动特征行驶。根据已经记录的运动特征拟合最佳路径,将该路径显示在地图上存储到数据库中;将实时获取的GPS/BDS数据,与数据库运动特征相匹配,根据匹配结果,控制靶车按照匹配的路径行进并进行实时修正,具体步骤为:
步骤1、采集无人驾驶模拟靶标车辆的GPS/BDS数据信息并对其进行预处理;因为软件系统对外接口的坐标系并不对应GPS采集的真实经纬度,需要通过坐标转换接口进行转换。要想在某个地图API上正确的显示GPS轨迹,必须要先把数据转换成与软件的坐标系统相对应的坐标数据。因此,对GPS/BDS数据信息进行预处理的具体方法为:
实际采集的纬度和经度数据分别用lat和lon表示。
dlat为预处理后的维度:dlat=a=b+c+d
其中:
b=(20*sin(6π*lat)+20*sin(2π*lat))*2/3
c=(20*sin(π*lon)+40*sin(lon*π/3))*2/3
dlon为预处理后的经度:dlon=a1+b1+c1+d1
其中:
b1=(20*sin(6π*lat)+20*sin(2π*lat))*2/3
c1=(20*sin(π*lat)+40*sin(lat*π/3))*2/3
d1=(150+sin(π/12*lat)+300*sin(π/30*lon))*2/3
所述GPS/BDS数据信息包括无人驾驶模拟靶标车辆的实时经纬度信息、以及速度信息。
步骤2、采用改进的二次B样条方法对预处理后的数据进行拟合得到靶车学习的行驶路径,具体步骤为:
步骤2-1、对于预处理过的经纬度数据,将经度和纬度分别作为横、纵坐标,经纬度坐标对应的每一个点为控制点,用向量Pi表示,0<i<n,n为预处理过的经纬度数据总数,
步骤2-2、利用B样条曲线公式拟合学习路径;
B样条基本公式为:
P(t)表示的是一段曲线,该曲线就是要得到的学习路径。P(t)就是每个控制点Pi与基函数Ni,k(t)的乘积再迭代n+1次之和。经度的每一个数据将横轴划分为一个个子区间,每一次迭代都在一个子区间内。向量Pi作为控制点,从Pi到Pn一共有(n-i+1)个控制点,k表示的k次B样条曲线,参数t表示分段函数参数序列,i表示的是迭代参数,其中基函数N(t)中参数i,k表示意义也与上述意义相同。结合无人驾驶靶车行驶环境,考虑实际情况,靶车的行驶路径基本为直线或者曲率不大的曲线,所以采用二阶计算减少计算量,即k=2。
其中Ni,k(t)为基函数,它的通项式为:
确定第i个k阶B样条基函数Ni,k(t),需ti,0到ti,k共k+1个节点,在B样条基本公式中n+1个控制点Pi将横轴划分为n个子区间,每一个子区间又被ti到ti,k共k+1个节点平均划分为k个小区间。为了方便表示,我们将节点与控制点一并取并集表达,T=[t0,t1,,,,,,tn+k]。
步骤2-3、由于采用二次B样条方法拟合学习路径的时候会导致起点和终点的数据被抛弃,无法包含到路径中去,为了解决这个问题,提出下面的方法。
对于起点做以下处理:取第一个点a和第二个点b,以点a为对称中心找到b的对称点b’,用b’代替点a。假设第一个样本a点的坐标为(x1,y1),b点的坐标为(x2,y2),b’的坐标(x3,y3):
X3=2x1-x2
Y3=2y1-y2
用b’的坐标代替a的坐标计算,这样就可以使起始点不被抛弃。如图1为不做上述处理的效果,此时b’为起点,位于a,b中点;图2为处理之后的效果,此时a为起点,a点位于b,b’的中点。可见,经过处理之后,a点被包含到拟合曲线中。
对于终点同样做以下处理:取倒数第一个点a1和倒数第二个点b1,以点a1为对称中心找到b1的对称点b1’,用b1’代替点a1。假设第一个样本a1点的坐标为(m1,n1),b1点的坐标为(m2,n2),b’的坐标(m3,n3):
m3=2m1-m2
n3=2n1-n2
用b1’的坐标代替a1的坐标计算,这样就可以使终点不被抛弃。如图3为不做上述处理的效果,此时b1’为终点,位于a1,b1中点;图4为处理之后的效果,此时b1’为终点,点a1位于b1,b1’的中点。可见,经过处理之后,a1点被包含到拟合曲线中。
步骤2-4、将步骤2-2、2-3中处理好的数据代入B样条基本公式:
由步骤2-2所述方法求得每一项基函数Ni,k(t),t∈T,再将每一项基函数与控制点Pi相乘,根据B样条基本公式,将各个乘积依次迭代求和就得到了B样条曲线的数学表达式。再利用开源地图系统提供的API接口,运用计算机语言,将数学表达式编写为程序,在地图上显示出学习好的路径。
步骤3、当再次行驶时,使无人驾驶靶车沿学习路径行驶。首先采集实时数据,包括无人驾驶靶车中GPS/BDS的实时经纬度信息以及速度信息,对这些数据再次预处理,再与之前数据库保存数据做匹配,并操控车辆根据学习好的路径行驶。
无人驾驶靶车在学习好的路径上行驶时,由于软件、硬件或其他等外部原因,地图显示时可能出现靶车偏离正确路径的情况,此时将实时经纬度数据进行再次处理,若出现偏差,可使无人驾驶靶车定位及时在地图上正确显示。
以路径上每一个像素点为中心,根据初始路宽,计算出道路边缘位置,如果无人驾驶靶车实时定位显示在道路边缘之外,则判定地图显示出现偏差。采用墨卡托投影,以整个世界为范围,赤道作为标准纬线,本初子午线作为中央经线,两者交点为坐标原点,向东向北为正,向西向南为负。南北极在地图的正下、上方,而东西方向处于地图的正右、左。地球半径约为6378137米。实时经纬度为(lon,lat):
任意经度下地球周长:
2*6378137*π*cos(lat)
南北方向1米等于:
360/2*6378137*π
东西方向1米等于:
360/2*6378137*π*cos(lat)
首先获取已知的路径中心点坐标(x,y),路宽为d,则路径的边缘距离中心点d/2米,
若路径为南北方向:则纬度不变,相差的经度为:
若路径为东西方向:则经度不变,相差的纬度为:
若道路不为正东西、正南北方向,则:
纬度相差:
经度相差:
θ为经线与路径垂线的夹角。
当靶车超出路径边缘时,根据上式将经纬度做出调整,将靶车位置显示至地图上正确的路径中。
本发明不需要人工持续发送遥控指令控制,在没有地图标志的未知区域无人驾驶靶车可以根据GPS/BDS数据记录,学习生成地图路径并且标识,使无人驾驶靶车再次行驶时可以按照之前学习的指定路径和速度自主行驶,提高完成任务的效率,将模拟靶标与智能驾驶有效结合,得到一种运动特征的学习方法。
Claims (6)
1.一种基于GPS/BDS无人驾驶地面运动模拟靶标的运动特征学习方法,其特征在于,具体步骤为:
步骤1、采集无人驾驶模拟靶标车辆的GPS/BDS数据信息并对其进行预处理,得到与地图API接口匹配的对应解析数据;
步骤2、采用改进的二次B样条方法对预处理后的数据进行拟合得到靶车学习的行驶路径,并保存到数据库中;
步骤3、使无人驾驶靶车沿学习路径行驶。
2.根据权利要求1所述的基于GPS/BDS无人驾驶地面运动模拟靶标的运动特征学习方法,其特征在于,所述GPS/BDS数据信息包括无人驾驶模拟靶标车辆的实时经纬度信息、以及速度信息。
3.根据权利要求1所述的基于GPS/BDS无人驾驶地面运动模拟靶标的运动特征学习方法,其特征在于,对GPS/BDS数据信息进行预处理的具体公式为:
预处理后的维度:dlat=a=b+c+d
其中:
b=(20*sin(6π*lat)+20*sin(2π*lat))*2/3
c=(20*sin(π*lon)+40*sin(lon*π/3))*2/3
dlon为预处理后的经度:dlon=a1+b1+c1+d1
其中:
b1=(20*sin(6π*lat)+20*sin(2π*lat))*2/3
c1=(20*sin(π*lat)+40*sin(lat*π/3))*2/3
d1=(150+sin(π/12*lat)+300*sin(π/30*lon))*2/3
dlat为预处理后的维度,dlon为预处理后的经度,lat为实际采集的纬度,lon为实际采集的经度。
4.根据权利要求1所述的基于GPS/BDS无人驾驶地面运动模拟靶标的运动特征学习方法,其特征在于,采用改进的二次B样条方法对预处理后的数据进行拟合得到靶车学习的行驶路径具体步骤为:
步骤2-1、对预处理过的经纬度数据,将经度和纬度分别作为横、纵坐标,经纬度坐标对应的每一个点为控制点,用向量Pi表示,0<i<n,n为预处理过的经纬度数据总数;
步骤2-2、取初始点/终点a以及与初始点a相邻的点b,以初始点/终点a为对称中心找到b的对称点b’,用b’代替点初始点/终点a;
步骤2-3、根据控制点的横坐标,将横轴划分为子区间,用k+1个节点平均划分每个子区间;
步骤2-4、将节点的坐标数据代入基函数,求得每一项基函数再将基函数依次迭代到B样条基本公式中,得到靶车学习的行驶路径,并在地图上显示出学习好的行驶路径。
6.根据权利要求1所述的基于GPS/BDS无人驾驶地面运动模拟靶标的运动特征学习方法,其特征在于,当靶车偏离正确路径时,对经纬度进行纠正后再与数据库存储的路径进行匹配,具体纠正方法为:
确定靶车偏离经纬度,具体为:
下面θ为经线与路径垂线的夹角,(lon,lat)为实时经纬度,d为路宽;
当靶车超出路径边缘时,按照偏离的经纬度对经纬度进行纠正;
若路径为南北方向,则纬度不变,偏离时的经度与实际路径的经度相差为:
若偏离时纬度为lat,将偏离靶车的纬度纠正为lat+x。
若路径为东西方向:则经度不变,相差的纬度为:
若偏离时经度为lon,将偏离靶车的经度纠正为lon+y。
若道路不为正东西、正南北方向,则:
纬度相差:
经度相差:
若偏离时纬度为lat,经度为lon,将偏离靶车的纬度纠正为lat+m,经度纠正为lon+n。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911019835.0A CN110794833B (zh) | 2019-10-24 | 2019-10-24 | 基于gps/bds无人驾驶地面运动模拟靶标的运动特征学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911019835.0A CN110794833B (zh) | 2019-10-24 | 2019-10-24 | 基于gps/bds无人驾驶地面运动模拟靶标的运动特征学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110794833A true CN110794833A (zh) | 2020-02-14 |
CN110794833B CN110794833B (zh) | 2023-06-30 |
Family
ID=69441355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911019835.0A Active CN110794833B (zh) | 2019-10-24 | 2019-10-24 | 基于gps/bds无人驾驶地面运动模拟靶标的运动特征学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110794833B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114184206A (zh) * | 2021-12-03 | 2022-03-15 | 北京车慧达科技有限公司 | 一种基于车辆轨迹点生成行驶路线的方法和装置 |
CN116883633A (zh) * | 2023-09-07 | 2023-10-13 | 之江实验室 | 一种基于gis模拟智能体移动及可调速的可视化方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102387030A (zh) * | 2010-07-13 | 2012-03-21 | 塔莱斯公司 | 用于增加船只自动识别装置的覆盖范围、信息和健壮性的系统 |
CN106408232A (zh) * | 2016-09-05 | 2017-02-15 | 上海宏欣网络科技有限公司 | 运单信息自动录入和状态自动同步的算法 |
CN107992050A (zh) * | 2017-12-20 | 2018-05-04 | 广州汽车集团股份有限公司 | 无人驾驶汽车局部路径运动规划方法和装置 |
CN109496288A (zh) * | 2017-07-13 | 2019-03-19 | 北京嘀嘀无限科技发展有限公司 | 用于确定轨迹的系统和方法 |
CN109945882A (zh) * | 2019-03-27 | 2019-06-28 | 上海交通大学 | 一种无人驾驶车辆路径规划与控制系统及方法 |
-
2019
- 2019-10-24 CN CN201911019835.0A patent/CN110794833B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102387030A (zh) * | 2010-07-13 | 2012-03-21 | 塔莱斯公司 | 用于增加船只自动识别装置的覆盖范围、信息和健壮性的系统 |
CN106408232A (zh) * | 2016-09-05 | 2017-02-15 | 上海宏欣网络科技有限公司 | 运单信息自动录入和状态自动同步的算法 |
CN109496288A (zh) * | 2017-07-13 | 2019-03-19 | 北京嘀嘀无限科技发展有限公司 | 用于确定轨迹的系统和方法 |
CN107992050A (zh) * | 2017-12-20 | 2018-05-04 | 广州汽车集团股份有限公司 | 无人驾驶汽车局部路径运动规划方法和装置 |
CN109945882A (zh) * | 2019-03-27 | 2019-06-28 | 上海交通大学 | 一种无人驾驶车辆路径规划与控制系统及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114184206A (zh) * | 2021-12-03 | 2022-03-15 | 北京车慧达科技有限公司 | 一种基于车辆轨迹点生成行驶路线的方法和装置 |
CN114184206B (zh) * | 2021-12-03 | 2024-04-19 | 北京车慧达科技有限公司 | 一种基于车辆轨迹点生成行驶路线的方法和装置 |
CN116883633A (zh) * | 2023-09-07 | 2023-10-13 | 之江实验室 | 一种基于gis模拟智能体移动及可调速的可视化方法和装置 |
CN116883633B (zh) * | 2023-09-07 | 2023-12-12 | 之江实验室 | 一种基于gis模拟智能体移动及可调速的可视化方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110794833B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vivacqua et al. | Self-localization based on visual lane marking maps: An accurate low-cost approach for autonomous driving | |
Alonso et al. | Accurate global localization using visual odometry and digital maps on urban environments | |
US8831877B2 (en) | Automatic correction of trajectory data | |
CN101770581B (zh) | 高分辨率城区遥感图像中道路中心线的半自动检测方法 | |
WO2020192149A1 (zh) | 轨迹跟踪控制器的测试方法、装置、介质及设备 | |
CN102313547B (zh) | 基于手绘轮廓语义地图的移动机器人视觉导航方法 | |
CN105676253A (zh) | 一种自动驾驶中基于城市道路标线地图的纵向定位系统及其方法 | |
CN109102525B (zh) | 一种基于自适应位姿估计的移动机器人跟随控制方法 | |
EP3259559B1 (en) | Method and apparatus for creating a clothoid road geometry | |
CN112965063B (zh) | 一种机器人建图定位方法 | |
CN111830953A (zh) | 车辆自定位方法、装置及系统 | |
CN106469505B (zh) | 一种浮动车轨迹纠偏方法和装置 | |
CN110794833A (zh) | 基于gps/bds无人驾驶地面运动模拟靶标的运动特征学习方法 | |
US8731305B1 (en) | Updating map data using satellite imagery | |
WO2024027350A1 (zh) | 车辆定位方法、装置、计算机设备、存储介质 | |
CN109863547A (zh) | 用于使用机器学习和图像处理来构建地图的设备 | |
WO2020131498A1 (en) | Systems and methods for automatic labeling of images for supervised machine learning | |
EP3699642A1 (en) | Vehicle positioning method and apparatus | |
CN111158379B (zh) | 一种方向盘零偏自学习的无人车轨迹跟踪方法 | |
CN109443354B (zh) | 基于萤火虫群优化pf的视觉-惯性紧耦合组合导航方法 | |
CN108053416A (zh) | 一种基于单幅卫星图像的最大储油量提取系统 | |
CN114387410B (zh) | 道路数据融合的地图生成方法、装置以及电子设备 | |
Herath et al. | Fusion-dhl: Wifi, imu, and floorplan fusion for dense history of locations in indoor environments | |
US11656364B2 (en) | Real-time correlation of sensed position data with terrestrial features | |
CN113177042A (zh) | 一种地图轨迹线路处理方法及装置 |
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 |