CN110795819A - 自动驾驶仿真场景的生成方法和装置、存储介质 - Google Patents
自动驾驶仿真场景的生成方法和装置、存储介质 Download PDFInfo
- Publication number
- CN110795819A CN110795819A CN201910872331.7A CN201910872331A CN110795819A CN 110795819 A CN110795819 A CN 110795819A CN 201910872331 A CN201910872331 A CN 201910872331A CN 110795819 A CN110795819 A CN 110795819A
- Authority
- CN
- China
- Prior art keywords
- sensing data
- scene
- information
- point cloud
- automatic driving
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种自动驾驶仿真场景的生成方法和装置、存储介质。其中,该方法包括:依托于高精度地图和感知算法,利用了高精度地图和感知算法的生成结果,自动进行场景建模。首先,利用高精度地图中的道路信息,生成自动驾驶仿真场景中的虚拟路面,然后利用高精度地图和感知结果,生成道路上的其他场景元素,最后将自动驾驶仿真场景中的虚拟路面和场景元素融合,得到自动驾驶仿真场景。本发明解决了现有技术中,基于高精地图生成的自动驾驶仿真场景比较单一,导致自动驾驶仿真场景的真实度还原较差的技术问题。
Description
技术领域
本发明涉及自动驾驶仿真领域,具体而言,涉及一种自动驾驶仿真场景的生成方法和装置、存储介质。
背景技术
高精度地图和感知算法是自动驾驶技术方面的两个重要内容。高精度地图是自动驾驶汽车的重要辅助,指导汽车的行进方向。它通常包含车道、交通信号、道路限速、转弯位置、车道线连接转换等厘米级精度的信息。感知算法相当于驾驶员的眼睛和大脑,是车辆和环境信息交互的关键。从车辆传感器收集数据,进而识别周围物体的属性和状态,为决策算法提供场景认知信息。
基于高精度地图的自动驾驶仿真生成。由于高精度地图数据侧重于道路信息,自动生成的场景比较单一,真正的仿真场景,还需要额外手工添加丰富的场景元素。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种自动驾驶仿真场景的生成方法和装置、存储介质,以至少解决现有技术中,基于高精地图生成的自动驾驶仿真场景比较单一,导致自动驾驶仿真场景的真实度还原较差的技术问题。
根据本发明实施例的一个方面,提供了一种自动驾驶仿真场景的生成方法,包括:获取预先确定的高精度地图中目标区域上的道路信息;根据所述道路信息生成所述目标区域上的自动驾驶仿真场景中的虚拟路面;获取预先确定的自动驾驶车辆在所述目标区域上感测到的点云感知数据和图像感知数据,其中,所述点云感知数据用于表示所述目标区域上的场景元素的空间信息,所述图像感知数据用于表示所述场景元素的颜色信息;将所述点云感知数据和所述图像感知数据进行融合,得到第一融合感知数据,其中,所述第一融合感知数据用于表示所述场景元素的所述空间信息和类别信息,所述类别信息是根据所述场景元素的所述颜色信息确定得到的信息;将所述第一融合感知数据与所述虚拟路面进行融合,得到所述目标区域上的所述自动驾驶仿真场景,其中,所述目标区域上的所述自动驾驶仿真场景用于显示所述虚拟路面以及由所述空间信息和所述类别信息表示的所述场景元素。
根据本发明实施例的另一方面,还提供了一种自动驾驶仿真场景的生成装置,包括:第一获取单元,用于获取预先确定的高精度地图中目标区域上的道路信息;生成单元,用于根据所述道路信息生成所述目标区域上的自动驾驶仿真场景中的虚拟路面;第二获取单元,用于获取预先确定的自动驾驶车辆在所述目标区域上感测到的点云感知数据和图像感知数据,其中,所述点云感知数据用于表示所述目标区域上的场景元素的空间信息,所述图像感知数据用于表示所述场景元素的颜色信息;第一融合单元,用于将所述点云感知数据和所述图像感知数据进行融合,得到第一融合感知数据,其中,所述第一融合感知数据用于表示所述场景元素的所述空间信息和类别信息,所述类别信息是根据所述场景元素的所述颜色信息确定得到的信息;第二融合单元,用于将所述第一融合感知数据与所述虚拟路面进行融合,得到所述目标区域上的所述自动驾驶仿真场景,其中,所述目标区域上的所述自动驾驶仿真场景用于显示所述虚拟路面以及由所述空间信息和所述类别信息表示的所述场景元素。
根据本发明实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述一种自动驾驶仿真场景的生成方法。
根据本发明实施例的又一方面,还提供了一种电子装置,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,其中,上述处理器通过计算机程序执行上述的一种自动驾驶仿真场景的生成方法。
在本发明实施例中,通过获取预先确定的高精度地图中目标区域上的道路信息;根据道路信息生成目标区域上的自动驾驶仿真场景中的虚拟路面;获取预先确定的自动驾驶车辆在目标区域上感测到的点云感知数据和图像感知数据,其中,点云感知数据用于表示目标区域上的场景元素的空间信息,图像感知数据用于表示场景元素的颜色信息;将点云感知数据和图像感知数据进行融合,得到第一融合感知数据,其中,第一融合感知数据用于表示场景元素的空间信息和类别信息,类别信息是根据场景元素的颜色信息确定得到的信息;将第一融合感知数据与虚拟路面进行融合,得到目标区域上的自动驾驶仿真场景,其中,目标区域上的自动驾驶仿真场景用于显示虚拟路面以及由空间信息和类别信息表示的场景元素,达到了根据高精地图中的道路信息生成自动驾驶场景中的虚拟路面,根据点云感知数据和图像感知数据确定自动驾驶仿真场景中的场景元素的目的,从而实现了将自动驾驶仿真场景中虚拟路面和场景元素融合的技术效果,进而解决了现有技术中,基于高精地图生成的自动驾驶仿真场景比较单一,导致自动驾驶仿真场景的真实度还原较差的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的自动驾驶仿真场景的生成方法的流程示意图;
图2是根据本发明优选实施例的一种可选的自动驾驶仿真场景的生成方法的流程图;
图3是根据本发明优选实施例的一种可选的高精地图的示意图;
图4是根据本发明优选实施例的一种可选的点云感知和图像感知的融合后得到的场景元素的示意图;
图5是根据本发明优选实施例的一种可选的点云感知和图像感知的融合后得到的场景元素和高精度地图融合后的仿真场景的示意图;
图6是根据本发明实施例的一种可选的自动驾驶仿真场景的生成装置的结构示意图;
图7是根据本发明实施例的一种可选的自动驾驶仿真场景的生成的电子装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。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前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面,提供了一种自动驾驶仿真场景的生成方法。
图1是根据本发明实施例的自动驾驶仿真场景的生成方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取预先确定的高精度地图中目标区域上的道路信息。
需要说明的是,导航地图提供是一段车道的长度和相关路程的大概路况。而高精度地图提供的是非常详细的道路情况。比如路标,倾斜度,车道线还有车道线所处的位置。这些都会在高精地图上标记。高精地图中连某个交通灯的位置都有高精度的GPS数据标注。所以在无人车道路上行驶的时候只要有全局路径规划中做出来的路径,在把这些路径转换为每个车道线级别的路径时候,无人车就可以根据高清地图上标记的每个车道线的中心线行驶。
高精度地图和无人车的其他模块都有联系,定位、预测、感知、规划、安全、仿真、控制、人机交互,这些都需要高精度地图帮助。有的模块倒不是说没有高精度地图就不可以实现这些功能而是有了高精度地图的帮助他们可以获得更准确的信息同时也能够做出更适合当时路况的决策。
目标区域中上的道路信息,道路信息可以包括:车道线、停止线、停车线、地面箭头、地面文本、标线颜色、交通标识牌、隔离带、杆子、交通信号灯和马路牙等元素。高精度地图还包含了其他粗略信息,包括:道路入口出口、收费站、空中障碍物和服务区等。例如目标区域是地点A至地点B之间的范围。
步骤S104,根据道路信息生成目标区域上的自动驾驶仿真场景中的虚拟路面。
步骤S106,获取预先确定的自动驾驶车辆在目标区域上感测到的点云感知数据和图像感知数据,其中,点云感知数据用于表示目标区域上的场景元素的空间信息,图像感知数据用于表示场景元素的颜色信息。
步骤S108,将点云感知数据和图像感知数据进行融合,得到第一融合感知数据,其中,第一融合感知数据用于表示场景元素的空间信息和类别信息,类别信息是根据场景元素的颜色信息确定得到的信息。
步骤S110,将第一融合感知数据与虚拟路面进行融合,得到目标区域上的自动驾驶仿真场景,其中,目标区域上的自动驾驶仿真场景用于显示虚拟路面以及由空间信息和类别信息表示的场景元素。
通过上述步骤,通过获取预先确定的高精度地图中目标区域上的道路信息;根据道路信息生成目标区域上的自动驾驶仿真场景中的虚拟路面;获取预先确定的自动驾驶车辆在目标区域上感测到的点云感知数据和图像感知数据,其中,点云感知数据用于表示目标区域上的场景元素的空间信息,图像感知数据用于表示场景元素的颜色信息;将点云感知数据和图像感知数据进行融合,得到第一融合感知数据,其中,第一融合感知数据用于表示场景元素的空间信息和类别信息,类别信息是根据场景元素的颜色信息确定得到的信息;将第一融合感知数据与虚拟路面进行融合,得到目标区域上的自动驾驶仿真场景,其中,目标区域上的自动驾驶仿真场景用于显示虚拟路面以及由空间信息和类别信息表示的场景元素,达到了根据高精地图中的道路信息生成自动驾驶场景中的虚拟路面,根据点云感知数据和图像感知数据确定自动驾驶仿真场景中的场景元素的目的,从而实现了将自动驾驶仿真场景中虚拟路面和场景元素融合的技术效果,进而解决了现有技术中,基于高精地图生成的自动驾驶仿真场景比较单一,导致自动驾驶仿真场景的真实度还原较差的技术问题。
作为一种可选的实施例,将点云感知数据和图像感知数据进行融合,得到第一融合感知数据,包括:在预设范围内存在与点云感知数据相对应的图像感知数据的情况下,对点云感知数据和图像感知数据进行坐标标定;根据坐标标定将点云感知数据投影到图像感知数据进行融合,得到第一融合感知数据。
作为一种可选的实施例,将点云感知数据和图像感知数据进行融合,得到第一融合感知数据,还包括:在预设范围内未存在与点云感知数据相对应的图像感知数据的情况下,根据点云感知数据计算空间位置姿态;找到点云感知数据对应图像感知数据的范围,将点云感知数据和图像感知数据进行融合,得到第一融合感知数据。
通过上述可选的实施例,实现点云感知数据和图像感知数据的融合,融合后的数据表示场景元素的空间信息和类别信息。
需要说明的是,点云感知输出的是场景元素的三维信息,三维信息包括位置、大小、形状和朝向。而图像感知输出的是场景元素的颜色信息,利用机器学习手段可以精确识别它的具体的类别。最终的融合结果是点云感知的空间信息和图像感知的类别信息。例如交通标示牌,图像感知可以识别具体的交通牌类型,但是位置信息必须由点云感知获取。
还需要说明的是,投影变换法:根据图像感知数据和点云感知数据的标定,将点云感知数据投影到图像感知数据上,得到场景元素的图像的深度信息,未被遮挡的点,即投影在同一像素的离相机最近的点,如果它处在感知元素的范围内,则称为命中点,如果它属于某个场景元素,则这个元素是命中元素。
空间搜索法:图像感知结果和点云感知结果,互相为对方邻域半径内唯一的相同元素,则它们是匹配元素。
点云感知的类别包括:树木、交通标志牌、杆子、隔离带、马路牙、路灯、空中架线、防撞柱等。感知到的点云感知数据通过拟合方法,计算出位置姿态信息。
图像感知的类别包括:交通标识牌、交通信号灯、减速带、井盖、探头、垃圾桶等。根据连续帧的三角定位方法,计算出场景元素的空间位置。
上述实施例,首选采用空间搜索法,找到匹配元素并融合。然后采用投影变换法,融合命中元素。对于没有命中的元素,则根据命中点云计算空间位置姿态。最后,没有匹配的点云感知元素,根据投影变换,找到对应图像上的范围,对该区域再次进行图像感知,判断所属类别。通过投影变换法和空间搜索法相结合,得到第一融合感知数据,即确定场景元素信息。
作为一种可选的实施例,将第一融合感知数据与虚拟路面进行融合,得到目标区域上的自动驾驶仿真场景,包括:在虚拟路面中未存在与第一融合感知数据对应的待融合的数据的情况下,将虚拟路面中的数据删除。进而实现自动驾驶仿真场景中只保留有效数据,减少存储内存容量。
作为一种可选的实施例,根据道路信息生成目标区域上的自动驾驶仿真场景中的虚拟路面,包括:获取高精度地图中预先存储的行车道的基本信息,其中,基本信息至少包括以下之一内容:行车道的行进方向、车道线以及限速值;根据行车道线和车道边界,按照预定顺序自动生成道路信息。
需要说明的是,在自动驾驶仿真场景中路面是非常重要的场景,大部分场景元素都要和它进行对齐。高精度地图存储了行车道的基本信息,包括行进方向、车道线和限速值等信息。根据车道线和车道边界,按照一定的顺序自动生成道路平面网格。高精度地图中还包括路面的材质信息。
作为一种可选的实施例,将第一融合感知数据与虚拟路面进行融合,得到目标区域上的自动驾驶仿真场景之后,对场景元素进行拼接和修剪;对场景元素进行拼接和重叠修剪包括:根据场景元素之间的固有依附关系拼接场景元素或修剪场景元素。
该实施例中,采用空间搜索法修正高精度地图中的元素数据。对于没有匹配的高精度地图元素,则弃用。
其中,场景元素对齐:主要包括元素的拼接和重叠修剪,使之更真实。有些元素具有天然的依附关系,比如树和杆子连着地面,交通牌和摄像头连着杆子。前者延长或修剪最低点,使它连接到路面,后者在法向方向移动元素,使之紧靠杆子。
结合上述实施例,本发明还提供了一种优选实施例,该优选实施例提供一种基于高精度地图和感知算法的自动驾驶仿真场景生成方法。
为了更好的理解该优选实施例,先介绍如下内容:
车载激光点云:安装在移动测量车上的激光扫描仪所采集得到的点云数据。
高精度地图:具有厘米级定位精度、道路附属设施信息(如红绿灯、电子眼和交通路牌等)和动态交通信息的下一代导航地图。
感知算法:从车辆传感器收集数据,识别周围物体的属性和状态,为决策算法提供场景认知信息。
该优选实施例公开了一种基于高精度地图和感知算法的自动驾驶仿真场景生成方法。该方法依托于高精度地图和感知算法,利用了高精度地图和感知算法的生成结果,自动进行场景建模。首先利用高精度地图中的道路信息,生成场景基础路面,然后利用高精度地图和感知结果,生成道路上的其他场景元素,最后将基础路面和场景元素对齐,避免悬空和重叠。
整个自动仿真场景生成的流程图如图2所示,优选实施例的自动驾驶仿真场景的生成方法的流程图。具体详述如下:
步骤1,通过采集车获取的图像点云数据,进而生成高精度地图,利用高精度地图生成自动驾驶仿真场景中的路面标识等场景元素以及路面场景;
步骤2,获取图像点云数据通过感知算法确定自动驾驶仿真场景中的交通牌、树木等场景元素;
步骤3,将路面标识等场景元素与交通牌、树木等场景元素进行融合得到场景元素;
步骤4,路面场景与场景元素对齐确定自动驾驶仿真场景。
其中,数据来源包括2部分,采集车扫描数据和高精度地图数据。采集数据包括图像和激光点云;高精度地图可以由地图生产部门根据采集数据生成。
路面生成:自动驾驶仿真路面是非常重要的场景,大部分场景元素都要和它进行对齐。高精度地图存储了行车道的基本信息,包括行进方向、车道线和限速值等信息。根据车道线和车道边界,按照一定的顺序自动生成道路平面网格。高精度地图中还包括路面的材质信息。
其中,高精度地图中还包含了其他大量的场景相关信息,包括:车道线、停止线、停车线、地面箭头、地面文本、标线颜色、交通标识牌、隔离带、杆子、交通信号灯和马路牙等元素。这些场景数据包含了精确的位置和外接边界,大部分数据可直接计算世界绝对坐标和朝向姿态,少数数据需要和图像融合,进一步计算姿态信息。如图3所示,高精地图的示意图。
高精度地图还包含了其他粗略信息,包括:道路入口出口、收费站、空中障碍物和服务区等,这些数据可以用在外景写实要求不高的情况下。
感知场景元素:感知算法包括两部分:点云感知和图像感知。场景感知和自动驾驶感知的侧重点不同,场景感知主要检测的是静态场景,而自动驾驶感知检测的是动态目标和障碍物,所以两者虽然算法一样,但是训练学习数据则完全不同。
点云感知的类别包括:树木、交通标志牌、杆子、隔离带、马路牙、路灯、空中架线、防撞柱等。感知到的点云数据通过拟合方法,计算出位置姿态信息。
图像感知的类别包括:交通标识牌、交通信号灯、减速带、井盖、探头、垃圾桶等。根据连续帧的三角定位方法,计算出场景元素的空间位置。
数据融合:融合算法包括:1、点云感知和图像感知的融合;2、感知数据和高精度地图数据的融合。
点云感知和图像感知融合。点云感知输出的是元素的三维信息,包括位置、大小、形状和朝向,而图像感知输出了场景元素的颜色信息,利用机器学习手段可以精确识别它的具体的类别。最终的融合结果是点云感知的空间信息和图像感知的类别信息。例如交通标示牌,图像感知可以识别具体的交通牌类型,但是位置信息必须由点云感知获取。如图4所示,点云感知和图像感知的融合后得到的场景元素的示意图。
该优选实施例,采用的融合方法是投影变换法和空间搜索法相结合。
投影变换法:根据图像和点云的标定,将点云投影到图像上,得到图像的深度信息,未被遮挡的点,即投影在同一像素的离相机最近的点,如果它处在感知元素的范围内,则称为命中点,如果它属于某个场景元素,则这个元素是命中元素。空间搜索法:图像感知结果和点云感知结果,互相为对方邻域半径内唯一的相同元素,则它们是匹配元素。
该优选实施例,首先用空间搜索法,找到匹配元素并融合。然后采用投影变换法,融合命中元素。对于没有命中的元素,则根据命中点云计算空间位置姿态。最后,没有匹配的点云感知元素,根据投影变换,找到对应图像上的范围,对该区域再次进行图像感知,判断所属类别。
还需要说明的是,感知算法在处理点云数据时,计算的是每一帧点云数据的感知结果,这样做的目的是为了达到感知的实时性。该方法可以替换为离线后处理,在所有(帧)点云数据上进行感知算法,理论上效果更好。
感知数据和高精度地图数据的融合。采用空间搜索法,修正高精度地图中的元素数据。对于没有匹配的高精度地图元素,则弃用。如图5所示,点云感知和图像感知的融合后得到的场景元素和高精度地图融合后的仿真场景的示意图。
场景元素对齐:主要包括元素的拼接和重叠修剪,使之更真实。有些元素具有天然的依附关系,比如树和杆子连着地面,交通牌和摄像头连着杆子。前者延长或修剪最低点,使它连接到路面,后者在法向方向移动元素,使之紧靠杆子。
上述优选实施例,充分利用了自动驾驶研究中高精度地图和感知算法两个技术,避免了重复的开发成本。自动场景生成,解决了自动驾驶仿真场景建模,大大减少了人力成本。在成本控制和质量管理方面有着非常大的贡献。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一个方面,还提供了一种用于实施上述一种自动驾驶仿真场景的生成方法的一种自动驾驶仿真场景的生成装置。如图3所示,该装置包括:第一获取单元61、生成单元63、第二获取单元65、第一融合单元67、以及第二融合单元69。
第一获取单元61,用于获取预先确定的高精度地图中目标区域上的道路信息。
生成单元63,用于根据道路信息生成目标区域上的自动驾驶仿真场景中的虚拟路面。
第二获取单元65,用于获取预先确定的自动驾驶车辆在目标区域上感测到的点云感知数据和图像感知数据,其中,点云感知数据用于表示目标区域上的场景元素的空间信息,图像感知数据用于表示场景元素的颜色信息。
第一融合单元67,用于将点云感知数据和图像感知数据进行融合,得到第一融合感知数据,其中,第一融合感知数据用于表示场景元素的空间信息和类别信息,类别信息是根据场景元素的颜色信息确定得到的信息。
第二融合单元69,用于将第一融合感知数据与虚拟路面进行融合,得到目标区域上的自动驾驶仿真场景,其中,目标区域上的自动驾驶仿真场景用于显示虚拟路面以及由空间信息和类别信息表示的场景元素。
通过上述装置,第一获取单元61获取预先确定的高精度地图中目标区域上的道路信息;生成单元63根据所述道路信息生成所述目标区域上的自动驾驶仿真场景中的虚拟路面;第二获取单元65获取预先确定的自动驾驶车辆在所述目标区域上感测到的点云感知数据和图像感知数据,其中,所述点云感知数据用于表示所述目标区域上的场景元素的空间信息,所述图像感知数据用于表示所述场景元素的颜色信息;第一融合单元67将所述点云感知数据和所述图像感知数据进行融合,得到第一融合感知数据,其中,所述第一融合感知数据用于表示所述场景元素的所述空间信息和类别信息,所述类别信息是根据所述场景元素的所述颜色信息确定得到的信息;第二融合单元69将所述第一融合感知数据与所述虚拟路面进行融合,得到所述目标区域上的所述自动驾驶仿真场景,其中,所述目标区域上的所述自动驾驶仿真场景用于显示所述虚拟路面以及由所述空间信息和所述类别信息表示的所述场景元素。从而实现了将自动驾驶仿真场景中虚拟路面和场景元素融合的技术效果,进而解决了现有技术中,基于高精地图生成的自动驾驶仿真场景比较单一,导致自动驾驶仿真场景的真实度还原较差的技术问题。
作为一种可选的实施例,上述第一融合单元67可以包括:标定模块,用于在预设范围内存在与点云感知数据相对应的图像感知数据的情况下,对点云感知数据和图像感知数据进行坐标标定;第一融合模块,用于根据坐标标定将点云感知数据投影到图像感知数据进行融合,得到第一融合感知数据。
作为一种可选的实施例,上述第一融合单元67可以包括:计算模块,用于在预设范围内未存在与点云感知数据相对应的图像感知数据的情况下,根据点云感知数据计算空间位置姿态;第二融合模块,用于找到与点云感知数据对应图像感知数据,将点云感知数据和图像感知数据进行融合,得到第一融合感知数据。
作为一种可选的实施例,上述第二融合单元69包括:删除模块,用于在虚拟路面中未存在与第一融合感知数据对应的待融合的数据的情况下,将虚拟路面中的数据删除。
作为一种可选的实施例,上述生成单元63可以包括:第一获取模块,用于获取高精度地图中预先存储的行车道的基本信息,其中,基本信息至少包括以下之一内容:行车道的行进方向、车道线以及限速值;生成模块,用于根据行车道线和车道边界,按照预定顺序自动生成道路信息。
作为一种可选的实施例,上述装置还可以包括:处理单元,用于将第一融合感知数据与虚拟路面进行融合,得到目标区域上的自动驾驶仿真场景之后,对场景元素进行拼接和修剪;处理单元包括:处理模块,用于根据场景元素之间的固有依附关系拼接场景元素或修剪场景元素。
根据本发明实施例的又一个方面,还提供了一种用于实施上述自动驾驶仿真场景的生成方法的电子装置,如图7所示,该电子装置包括存储器702和处理器704,该存储器702中存储有计算机程序,该处理器704被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取预先确定的高精度地图中目标区域上的道路信息;
S2,根据道路信息生成目标区域上的自动驾驶仿真场景中的虚拟路面;
S3,获取预先确定的自动驾驶车辆在目标区域上感测到的点云感知数据和图像感知数据,其中,点云感知数据用于表示目标区域上的场景元素的空间信息,图像感知数据用于表示场景元素的颜色信息;
S4,将点云感知数据和图像感知数据进行融合,得到第一融合感知数据,其中,第一融合感知数据用于表示场景元素的空间信息和类别信息,类别信息是根据场景元素的颜色信息确定得到的信息。
S5,将第一融合感知数据与虚拟路面进行融合,得到目标区域上的自动驾驶仿真场景,其中,目标区域上的自动驾驶仿真场景用于显示虚拟路面以及由空间信息和类别信息表示的场景元素。
可选地,本领域普通技术人员可以理解,图7所示的结构仅为示意,电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图7其并不对上述电子装置的结构造成限定。例如,电子装置还可包括比图7中所示更多或者更少的组件(如网络接口等),或者具有与图7所示不同的配置。
其中,存储器702可用于存储软件程序以及模块,如本发明实施例中的自动驾驶仿真场景的生成方法和装置对应的程序指令/模块,处理器704通过运行存储在存储器702内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的自动驾驶仿真场景的生成方法。存储器702可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器702可进一步包括相对于处理器704远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中,存储器702具体可以但不限于用于高精度地图中的数据以及感知算法的数据等信息。作为一种示例,如图7所示,上述存储器702中可以但不限于包括上述自动驾驶仿真场景的生成装置中的第一获取单元61、生成单元63、第二获取单元65、第一融合单元67、以及第二融合单元69。此外,还可以包括但不限于上述自动驾驶仿真场景的生成装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置706用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置706包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置706为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
根据本发明的实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取预先确定的高精度地图中目标区域上的道路信息;
S2,根据道路信息生成目标区域上的自动驾驶仿真场景中的虚拟路面;
S3,获取预先确定的自动驾驶车辆在目标区域上感测到的点云感知数据和图像感知数据,其中,点云感知数据用于表示目标区域上的场景元素的空间信息,图像感知数据用于表示场景元素的颜色信息;
S4,将点云感知数据和图像感知数据进行融合,得到第一融合感知数据,其中,第一融合感知数据用于表示场景元素的空间信息和类别信息,类别信息是根据场景元素的颜色信息确定得到的信息;
S5,将第一融合感知数据与虚拟路面进行融合,得到目标区域上的自动驾驶仿真场景,其中,目标区域上的自动驾驶仿真场景用于显示虚拟路面以及由空间信息和类别信息表示的场景元素。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种自动驾驶仿真场景的生成方法,其特征在于,包括:
获取预先确定的高精度地图中目标区域上的道路信息;
根据所述道路信息生成所述目标区域上的自动驾驶仿真场景中的虚拟路面;
获取预先确定的自动驾驶车辆在所述目标区域上感测到的点云感知数据和图像感知数据,其中,所述点云感知数据用于表示所述目标区域上的场景元素的空间信息,所述图像感知数据用于表示所述场景元素的颜色信息;
将所述点云感知数据和所述图像感知数据进行融合,得到第一融合感知数据,其中,所述第一融合感知数据用于表示所述场景元素的所述空间信息和类别信息,所述类别信息是根据所述场景元素的所述颜色信息确定得到的信息;
将所述第一融合感知数据与所述虚拟路面进行融合,得到所述目标区域上的所述自动驾驶仿真场景,其中,所述目标区域上的所述自动驾驶仿真场景用于显示所述虚拟路面以及由所述空间信息和所述类别信息表示的所述场景元素。
2.根据权利要求1所述的方法,其特征在于,所述将所述点云感知数据和所述图像感知数据进行融合,得到第一融合感知数据,包括:
在预设范围内存在与所述点云感知数据相对应的所述图像感知数据的情况下,对所述点云感知数据和所述图像感知数据进行坐标标定;
根据所述坐标标定将所述点云感知数据投影到所述图像感知数据进行融合,得到第一融合感知数据。
3.根据权利要求1所述的方法,其特征在于,所述将所述点云感知数据和所述图像感知数据进行融合,得到第一融合感知数据,包括:
在预设范围内未存在与所述点云感知数据相对应的所述图像感知数据的情况下,根据所述点云感知数据计算空间位置姿态;
找到所述点云感知数据对应所述图像感知数据的范围,将所述点云感知数据和所述图像感知数据进行融合,得到所述第一融合感知数据。
4.根据权利要求1所述的方法,其特征在于,所述将所述第一融合感知数据与所述虚拟路面进行融合,得到所述目标区域上的所述自动驾驶仿真场景,包括:
在所述虚拟路面中未存在与所述第一融合感知数据对应的待融合的数据的情况下,将所述虚拟路面中的数据删除。
5.根据权利要求1所述的方法,其特征在于,所述根据所述道路信息生成所述目标区域上的自动驾驶仿真场景中的虚拟路面,包括:
获取所述高精度地图中预先存储的行车道的基本信息,其中,所述基本信息至少包括以下之一内容:所述行车道的行进方向、所述车道线以及限速值;
根据所述行车道线和所述车道边界,按照预定顺序自动生成所述道路信息。
6.根据权利要求1所述的方法,其特征在于,包括:
将所述第一融合感知数据与所述虚拟路面进行融合,得到所述目标区域上的所述自动驾驶仿真场景之后,对所述场景元素进行拼接和修剪;
对所述场景元素进行拼接和重叠修剪包括:根据所述场景元素之间的固有依附关系拼接所述场景元素或修剪所述场景元素。
7.一种自动驾驶仿真场景的生成装置,其特征在于,包括:
第一获取单元,用于获取预先确定的高精度地图中目标区域上的道路信息;
生成单元,用于根据所述道路信息生成所述目标区域上的自动驾驶仿真场景中的虚拟路面;
第二获取单元,用于获取预先确定的自动驾驶车辆在所述目标区域上感测到的点云感知数据和图像感知数据,其中,所述点云感知数据用于表示所述目标区域上的场景元素的空间信息,所述图像感知数据用于表示所述场景元素的颜色信息;
第一融合单元,用于将所述点云感知数据和所述图像感知数据进行融合,得到第一融合感知数据,其中,所述第一融合感知数据用于表示所述场景元素的所述空间信息和类别信息,所述类别信息是根据所述场景元素的所述颜色信息确定得到的信息;
第二融合单元,用于将所述第一融合感知数据与所述虚拟路面进行融合,得到所述目标区域上的所述自动驾驶仿真场景,其中,所述目标区域上的所述自动驾驶仿真场景用于显示所述虚拟路面以及由所述空间信息和所述类别信息表示的所述场景元素。
8.根据权利要求7所述的装置,其特征在于,所述第一融合单元包括:
标定模块,用于在预设范围内存在与所述点云感知数据相对应的所述图像感知数据的情况下,对所述点云感知数据和所述图像感知数据进行坐标标定;
第一融合模块,用于根据所述坐标标定将所述点云感知数据投影到所述图像感知数据进行融合,得到第一融合感知数据。
9.一种计算机可读的存储介质,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至6任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至6时任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910872331.7A CN110795819B (zh) | 2019-09-16 | 2019-09-16 | 自动驾驶仿真场景的生成方法和装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910872331.7A CN110795819B (zh) | 2019-09-16 | 2019-09-16 | 自动驾驶仿真场景的生成方法和装置、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110795819A true CN110795819A (zh) | 2020-02-14 |
CN110795819B CN110795819B (zh) | 2022-05-20 |
Family
ID=69427175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910872331.7A Active CN110795819B (zh) | 2019-09-16 | 2019-09-16 | 自动驾驶仿真场景的生成方法和装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110795819B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111625948A (zh) * | 2020-05-20 | 2020-09-04 | 北京百度网讯科技有限公司 | 超长场景的回放型仿真方法、装置、设备和介质 |
CN111859634A (zh) * | 2020-06-30 | 2020-10-30 | 东风商用车有限公司 | 一种基于车联网及高精地图的仿真场景生成方法和系统 |
CN112257687A (zh) * | 2020-12-17 | 2021-01-22 | 中智行科技有限公司 | 车道边线生成方法、装置、电子设备和存储介质 |
CN112528477A (zh) * | 2020-12-03 | 2021-03-19 | 安徽江淮汽车集团股份有限公司 | 道路场景仿真方法、设备、存储介质及装置 |
CN112527940A (zh) * | 2020-12-18 | 2021-03-19 | 上海商汤临港智能科技有限公司 | 一种仿真地图生成的方法、装置、电子设备及存储介质 |
CN112560131A (zh) * | 2020-12-24 | 2021-03-26 | 中交第二公路勘察设计研究院有限公司 | 一种交通标志牌快速参数化bim动态建模方法及交通标志牌bim建模系统 |
CN112732844A (zh) * | 2021-01-26 | 2021-04-30 | 腾讯科技(深圳)有限公司 | 将道路对象与道路自动关联的方法、装置、设备和介质 |
CN112784002A (zh) * | 2021-02-07 | 2021-05-11 | 腾讯科技(深圳)有限公司 | 一种虚拟场景生成方法、装置、设备和存储介质 |
CN112989568A (zh) * | 2021-02-06 | 2021-06-18 | 武汉光庭信息技术股份有限公司 | 仿真场景三维道路自动化构建方法和装置 |
CN113311727A (zh) * | 2021-05-13 | 2021-08-27 | 际络科技(上海)有限公司 | 一种用于自动驾驶测试的仿真模拟系统 |
CN113434614A (zh) * | 2020-03-23 | 2021-09-24 | 北京四维图新科技股份有限公司 | 地图数据关联方法、装置及电子设备 |
CN113449632A (zh) * | 2021-06-28 | 2021-09-28 | 重庆长安汽车股份有限公司 | 一种基于融合感知的视觉与雷达感知算法优化方法、系统及汽车 |
CN114067062A (zh) * | 2022-01-17 | 2022-02-18 | 深圳慧拓无限科技有限公司 | 一种真实驾驶场景仿真方法、系统、电子设备和存储介质 |
CN114114953A (zh) * | 2020-08-26 | 2022-03-01 | 比亚迪股份有限公司 | 仿真场景的创建方法、装置、计算机设备及介质 |
CN114693574A (zh) * | 2022-02-24 | 2022-07-01 | 智己汽车科技有限公司 | 一种无人驾驶仿真场景生成方法及设备 |
CN115187742A (zh) * | 2022-09-07 | 2022-10-14 | 西安深信科创信息技术有限公司 | 自动驾驶仿真测试场景生成方法、系统及相关装置 |
CN115294924A (zh) * | 2022-09-13 | 2022-11-04 | 北京锋尚世纪文化传媒股份有限公司 | 灯光显示系统及设备 |
CN115830255A (zh) * | 2022-11-28 | 2023-03-21 | 北京百度网讯科技有限公司 | 一种仿真场景生成方法、装置、电子设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484522A (zh) * | 2014-12-11 | 2015-04-01 | 西南科技大学 | 一种基于现实场景的机器人模拟演练系统的构建方法 |
CN105488459A (zh) * | 2015-11-23 | 2016-04-13 | 上海汽车集团股份有限公司 | 车载3d道路实时重构方法及装置 |
CN107063713A (zh) * | 2017-04-27 | 2017-08-18 | 百度在线网络技术(北京)有限公司 | 应用于无人驾驶汽车的测试方法和装置 |
CN108010360A (zh) * | 2017-12-27 | 2018-05-08 | 中电海康集团有限公司 | 一种基于车路协同的自动驾驶环境感知系统 |
CN108229366A (zh) * | 2017-12-28 | 2018-06-29 | 北京航空航天大学 | 基于雷达和图像数据融合的深度学习车载障碍物检测方法 |
CN109064506A (zh) * | 2018-07-04 | 2018-12-21 | 百度在线网络技术(北京)有限公司 | 高精度地图生成方法、装置及存储介质 |
CN109101690A (zh) * | 2018-07-11 | 2018-12-28 | 深圳地平线机器人科技有限公司 | 用于渲染车辆自动驾驶模拟器中的场景的方法和装置 |
CN109739236A (zh) * | 2019-01-04 | 2019-05-10 | 腾讯科技(深圳)有限公司 | 车辆信息的处理方法、装置、计算机可读介质及电子设备 |
CN109829386A (zh) * | 2019-01-04 | 2019-05-31 | 清华大学 | 基于多源信息融合的智能车辆可通行区域检测方法 |
CN109902430A (zh) * | 2019-03-13 | 2019-06-18 | 上海车右智能科技有限公司 | 交通场景生成方法、装置、系统、计算机设备和存储介质 |
CN110148099A (zh) * | 2019-05-29 | 2019-08-20 | 北京百度网讯科技有限公司 | 投影关系的修正方法及装置、电子设备、计算机可读介质 |
-
2019
- 2019-09-16 CN CN201910872331.7A patent/CN110795819B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484522A (zh) * | 2014-12-11 | 2015-04-01 | 西南科技大学 | 一种基于现实场景的机器人模拟演练系统的构建方法 |
CN105488459A (zh) * | 2015-11-23 | 2016-04-13 | 上海汽车集团股份有限公司 | 车载3d道路实时重构方法及装置 |
CN107063713A (zh) * | 2017-04-27 | 2017-08-18 | 百度在线网络技术(北京)有限公司 | 应用于无人驾驶汽车的测试方法和装置 |
CN108010360A (zh) * | 2017-12-27 | 2018-05-08 | 中电海康集团有限公司 | 一种基于车路协同的自动驾驶环境感知系统 |
CN108229366A (zh) * | 2017-12-28 | 2018-06-29 | 北京航空航天大学 | 基于雷达和图像数据融合的深度学习车载障碍物检测方法 |
CN109064506A (zh) * | 2018-07-04 | 2018-12-21 | 百度在线网络技术(北京)有限公司 | 高精度地图生成方法、装置及存储介质 |
CN109101690A (zh) * | 2018-07-11 | 2018-12-28 | 深圳地平线机器人科技有限公司 | 用于渲染车辆自动驾驶模拟器中的场景的方法和装置 |
CN109739236A (zh) * | 2019-01-04 | 2019-05-10 | 腾讯科技(深圳)有限公司 | 车辆信息的处理方法、装置、计算机可读介质及电子设备 |
CN109829386A (zh) * | 2019-01-04 | 2019-05-31 | 清华大学 | 基于多源信息融合的智能车辆可通行区域检测方法 |
CN109902430A (zh) * | 2019-03-13 | 2019-06-18 | 上海车右智能科技有限公司 | 交通场景生成方法、装置、系统、计算机设备和存储介质 |
CN110148099A (zh) * | 2019-05-29 | 2019-08-20 | 北京百度网讯科技有限公司 | 投影关系的修正方法及装置、电子设备、计算机可读介质 |
Non-Patent Citations (2)
Title |
---|
HAO LIU: "A Deep-Learning Based Multi-Modality Sensor Calibration Method for USV", 《2018 IEEE FOURTH INTERNATIONAL CONFERENCE ON MULTIMEDIA BIG DATA (BIGMM)》 * |
赵小帅: "基于人—车—环境建模的自动驾驶虚拟测试平台开发", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113434614B (zh) * | 2020-03-23 | 2024-08-06 | 北京四维图新科技股份有限公司 | 地图数据关联方法、装置及电子设备 |
CN113434614A (zh) * | 2020-03-23 | 2021-09-24 | 北京四维图新科技股份有限公司 | 地图数据关联方法、装置及电子设备 |
CN111625948A (zh) * | 2020-05-20 | 2020-09-04 | 北京百度网讯科技有限公司 | 超长场景的回放型仿真方法、装置、设备和介质 |
CN111625948B (zh) * | 2020-05-20 | 2023-09-29 | 阿波罗智能技术(北京)有限公司 | 超长场景的回放型仿真方法、装置、设备和介质 |
CN111859634A (zh) * | 2020-06-30 | 2020-10-30 | 东风商用车有限公司 | 一种基于车联网及高精地图的仿真场景生成方法和系统 |
CN114114953B (zh) * | 2020-08-26 | 2024-02-27 | 比亚迪股份有限公司 | 仿真场景的创建方法、装置、计算机设备及介质 |
CN114114953A (zh) * | 2020-08-26 | 2022-03-01 | 比亚迪股份有限公司 | 仿真场景的创建方法、装置、计算机设备及介质 |
CN112528477A (zh) * | 2020-12-03 | 2021-03-19 | 安徽江淮汽车集团股份有限公司 | 道路场景仿真方法、设备、存储介质及装置 |
CN112528477B (zh) * | 2020-12-03 | 2024-03-08 | 安徽江淮汽车集团股份有限公司 | 道路场景仿真方法、设备、存储介质及装置 |
CN112257687A (zh) * | 2020-12-17 | 2021-01-22 | 中智行科技有限公司 | 车道边线生成方法、装置、电子设备和存储介质 |
CN112527940A (zh) * | 2020-12-18 | 2021-03-19 | 上海商汤临港智能科技有限公司 | 一种仿真地图生成的方法、装置、电子设备及存储介质 |
CN112527940B (zh) * | 2020-12-18 | 2024-07-16 | 上海商汤临港智能科技有限公司 | 一种仿真地图生成的方法、装置、电子设备及存储介质 |
CN112560131A (zh) * | 2020-12-24 | 2021-03-26 | 中交第二公路勘察设计研究院有限公司 | 一种交通标志牌快速参数化bim动态建模方法及交通标志牌bim建模系统 |
CN112560131B (zh) * | 2020-12-24 | 2022-09-09 | 中交第二公路勘察设计研究院有限公司 | 一种交通标志牌快速参数化bim动态建模方法及交通标志牌bim建模系统 |
CN112732844A (zh) * | 2021-01-26 | 2021-04-30 | 腾讯科技(深圳)有限公司 | 将道路对象与道路自动关联的方法、装置、设备和介质 |
CN112989568A (zh) * | 2021-02-06 | 2021-06-18 | 武汉光庭信息技术股份有限公司 | 仿真场景三维道路自动化构建方法和装置 |
CN112784002A (zh) * | 2021-02-07 | 2021-05-11 | 腾讯科技(深圳)有限公司 | 一种虚拟场景生成方法、装置、设备和存储介质 |
CN112784002B (zh) * | 2021-02-07 | 2023-09-26 | 腾讯科技(深圳)有限公司 | 一种虚拟场景生成方法、装置、设备和存储介质 |
CN113311727A (zh) * | 2021-05-13 | 2021-08-27 | 际络科技(上海)有限公司 | 一种用于自动驾驶测试的仿真模拟系统 |
CN113449632A (zh) * | 2021-06-28 | 2021-09-28 | 重庆长安汽车股份有限公司 | 一种基于融合感知的视觉与雷达感知算法优化方法、系统及汽车 |
CN114067062A (zh) * | 2022-01-17 | 2022-02-18 | 深圳慧拓无限科技有限公司 | 一种真实驾驶场景仿真方法、系统、电子设备和存储介质 |
CN114693574A (zh) * | 2022-02-24 | 2022-07-01 | 智己汽车科技有限公司 | 一种无人驾驶仿真场景生成方法及设备 |
CN115187742A (zh) * | 2022-09-07 | 2022-10-14 | 西安深信科创信息技术有限公司 | 自动驾驶仿真测试场景生成方法、系统及相关装置 |
CN115294924A (zh) * | 2022-09-13 | 2022-11-04 | 北京锋尚世纪文化传媒股份有限公司 | 灯光显示系统及设备 |
CN115830255B (zh) * | 2022-11-28 | 2023-11-21 | 北京百度网讯科技有限公司 | 一种仿真场景生成方法、装置、电子设备和存储介质 |
CN115830255A (zh) * | 2022-11-28 | 2023-03-21 | 北京百度网讯科技有限公司 | 一种仿真场景生成方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110795819B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110795819B (zh) | 自动驾驶仿真场景的生成方法和装置、存储介质 | |
JP7045628B2 (ja) | 車両の動作を制御するための車両の装置、車両、およびコンピュータプログラム | |
CN110062871B (zh) | 用于基于视频的定位及映射的方法及系统 | |
CN110758243B (zh) | 一种车辆行驶过程中的周围环境显示方法和系统 | |
CN112204343A (zh) | 高清晰地图数据的可视化 | |
EP3488384A1 (en) | Crowdsourcing and distributing a sparse map, and lane measurements for autonomous vehicle navigation | |
EP3706072B1 (en) | Method, apparatus, and system for detecting degraded ground paint in an image | |
CN112365549B (zh) | 车载相机的姿态校正方法、装置和存储介质及电子装置 | |
CN112985432B (zh) | 车辆导航方法、装置、电子设备及存储介质 | |
CN108594244B (zh) | 基于立体视觉和激光雷达的障碍物识别迁移学习方法 | |
CN114509065B (zh) | 地图构建方法、系统、车辆终端、服务器端及存储介质 | |
CN112382079A (zh) | 一种面向车路协同的路侧感知模拟仿真方法和系统 | |
CN109931950B (zh) | 一种实景导航方法、系统及终端设备 | |
CN117576652B (zh) | 道路对象的识别方法、装置和存储介质及电子设备 | |
CN111316324A (zh) | 一种自动驾驶模拟系统、方法、设备及存储介质 | |
CN115164918A (zh) | 语义点云地图构建方法、装置及电子设备 | |
CN114091626B (zh) | 真值检测方法、装置、设备及存储介质 | |
CN117727011A (zh) | 基于图像融合的目标识别方法、装置、设备及存储介质 | |
CN116430404A (zh) | 相对位置的确定方法和装置、存储介质及电子装置 | |
JP2012099010A (ja) | 画像処理装置及び画像処理プログラム | |
CN113470067A (zh) | 数据处理方法、装置、存储介质和处理器 | |
CN113822932B (zh) | 设备定位方法、装置、非易失性存储介质及处理器 | |
CN118348493A (zh) | 一种路口多传感器融合标定方法、系统、设备及存储介质 | |
CN116630560A (zh) | 地图显示方法、装置、车辆、电子设备及存储介质 | |
CN118057122A (zh) | 一种地图信息的生成方法和系统 |
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 |