CN111060114A - 用于生成高精度地图的特征图的方法和装置 - Google Patents
用于生成高精度地图的特征图的方法和装置 Download PDFInfo
- Publication number
- CN111060114A CN111060114A CN201811206505.8A CN201811206505A CN111060114A CN 111060114 A CN111060114 A CN 111060114A CN 201811206505 A CN201811206505 A CN 201811206505A CN 111060114 A CN111060114 A CN 111060114A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- map
- precision map
- precision
- feature map
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000015654 memory Effects 0.000 claims abstract description 8
- 230000004807 localization Effects 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003936 working memory Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Processing Or Creating Images (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明提供了用于生成高精度地图的特征图的方法和装置。该方法可包括并且该装置可用于：获得高精度地图点云，该高精度地图点云包括高精度地图中的各个对象的点云；从该高精度地图点云中提取与车辆定位相关的对象；以及存储与车辆定位相关的对象的点云以生成高精度地图的特征图。通过采用上述方法和装置，在所生成的特征图中移除了不稳定的结构，从而显著节省了存储器空间。
Description
技术领域
本发明涉及高精度地图，更具体地，涉及用于生成高精度地图的特征图的方法和装置。
背景技术
高精度地图(High Definition Map)是指高精度、精细化定义的地图，其精度需要达到分米级才能够区分各个车道。如今随着定位技术的发展，高精度的定位已经成为可能。与传统电子地图不同，高精度地图的主要服务对象是无人驾驶车，或者说是机器驾驶员。和人类驾驶员不同，机器驾驶员缺乏与生俱来的视觉识别、逻辑分析能力。比如，人可以很轻松、准确地利用图像、GPS定位自己，鉴别障碍物、人、交通信号灯等，但这对当前的机器人来说都是非常困难的任务。因此，高精度地图是当前无人驾驶车技术中必不可少的一个组成部分。高精度地图包含大量行车辅助信息，其中，最重要的是对路网精确的三维表征(厘米级精度)。比如，路面的几何结构，道路标示线的位置，周边道路环境的点云模型等。有了这些高精度的三维表征，车载机器人就可以通过比对车载GPS、激光雷达(LiDAR)或摄像头数据来精确确认自己的当前位置。
一般而言，高精度地图被划分成两层：道路模型(Road Model)和特征图(FeatureMap)。图1示出了现有技术中的高精度地图的分层结构100。如图1中所解说的，第一层110是道路模型，其包括车道信息(诸如车道线的位置、类型、宽度等)。第二层120是特征图，其包括车道及其周边环境中的对象的点云信息，这些点云信息可被用于与无人驾驶车辆的实时测量数据进行比较以精确地确定无人驾驶车辆的当前位置。目前，在市场中存在两种形式的特征图。一种形式的特征图包含道路、车道、以及周边道路环境(诸如绿化)的点云信息。然而，此类特征图中的周边道路环境包括不稳定的特征并且可能在一年之中显著变化(例如，花草树木随季节的变化)。因此，在每个季节都要更新特征图是不方便的。另一种形式的特征图直接将原始点云数据用作特征图。然而，此类特征图包含大量不必要的数据并且数据量很大。具有大数据量的特征图也不适于将来的大规模生产。
因此，希望提供一种新的生成高精度地图的特征图的方法，以便克服以上提及的缺点。
发明内容
提供本发明内容以便以简化形式介绍将在以下具体实施方式中进一步的描述一些概念。本发明内容并非旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于帮助确定所要求保护的主题的范围。
根据本发明的一个实施例，提供了一种用于生成高精度地图的特征图的方法，该方法包括：获得高精度地图点云，所述高精度地图点云包括所述高精度地图中的各个对象的点云；从所述高精度地图点云中提取与车辆定位相关的对象；以及存储与车辆定位相关的所述对象的点云以生成所述高精度地图的特征图。
根据本发明的一个实施例，提供了一种用于生成高精度地图的特征图的装置，包括：获得单元，其配置成获得高精度地图点云，所述高精度地图点云包括所述高精度地图中的各个对象的点云；提取单元，其配置成从所述高精度地图点云中提取与车辆定位相关的对象；以及存储单元，其配置成存储与车辆定位相关的所述对象的点云以生成所述高精度地图的特征图。
根据本发明的一个实施例，提供了一种用于生成高精度地图的特征图的装置，包括：存储器，所述存储器存储计算机可执行指令；以及处理器，所述处理器耦合至所述存储器并且被配置成：获得高精度地图点云，所述高精度地图点云包括所述高精度地图中的各个对象的点云；从所述高精度地图点云中提取与车辆定位相关的对象；以及存储与车辆定位相关的所述对象的点云以生成所述高精度地图的特征图。
根据本发明的一个实施例，提供了一种非瞬态计算机可读介质，所述非瞬态计算机可读介质存储计算机程序，所述计算机程序在由处理器执行时执行本发明的方法。
通过采用本发明公开的方法和装置，在所生成的特征图中移除了不稳定的结构(诸如树木、停放着的车辆等)。此外，该特征图能够容易地转换成任何其他特征图(诸如网格图等)并且具有相对较小的大小以便下载。该特征图是与传感器无关的并且可与相机或激光数据一起用于定位，由此带来的便利性使得这种特征图能够被地图供应商接受。
通过阅读下面的详细描述并参考相关联的附图，这些及其他特点和优点将变得显而易见。应该理解，前面的概括说明和下面的详细描述只是说明性的，不会对所要求保护的各方面形成限制。
附图说明
为了能详细地理解本发明的上述特征所用的方式，可以参照各实施例来对以上简要概述的内容进行更具体的描述，其中一些方面在附图中示出。然而应该注意，附图仅示出了本发明的某些典型方面，故不应被认为限定其范围，因为该描述可以允许有其它等同有效的方面。
图1示出了现有技术中的高精度地图的分层结构。
图2示出了根据本发明的一个实施例的用于生成高精度地图的特征图的方法的流程图。
图3示出了根据本发明的一个实施例的利用八叉树来压缩点云的示意图。
图4示出了根据本发明的一个实施例的具有点云和包围盒的特征图。
图5是根据本发明的一个实施例的用于生成高精度地图的特征图的装置的框图。
图6示出了根据本发明的一个实施例的示例性计算设备的框图。
具体实施方式
下面结合附图详细描述本发明，本发明的特点将在以下的具体描述中得到进一步的显现。
用于无人驾驶的高精度地图包括对路网精确的三维表征(厘米级精度)。比如，路面的几何结构，道路标示线的位置，周边道路环境的点云模型等。有了这些高精度的三维表征，就可以通过将车载GPS、LiDAR(激光雷达)或摄像头的实时数据与高精度地图中的特征图进行比对来精确地确定车辆的当前位置。然而，目前的特征图存在一些缺陷，例如需要大量存储空间、包含不稳定的特征等。本发明致力于提供用于生成高精度地图的特征图的新颖方法，以克服这些缺陷。在本发明的一个实施例中，通过从高精度地图中提取仅与车辆定位相关的对象，移除了不稳定的特征，从而显著节省了特征图的存储空间并且无需频繁地更新特征图。在本发明的另一个实施例中，还可以使用八叉树来压缩与车辆定位相关的对象的点云，从而进一步节省特征图的存储空间。在本发明的又一个实施例中，还可以将包含与车辆定位相关的对象的点云的包围盒存储在特征图中，以便提高定位速度。
图2示出了根据本发明的一个实施例的用于生成高精度地图的特征图的方法200的流程图。例如，方法200可以在至少一个处理器(例如，图6的处理器604)内实现，该处理器可以位于车载计算机系统、远程服务器、或其组合中。当然，在本发明的各个方面，方法200还可以由能够执行相关操作的任何合适的装置来实现。
方法200开始于步骤210。在步骤210，方法200可包括获得高精度地图点云，该高精度地图点云包括高精度地图中的各个对象的点云。通常，地图供应商(例如，Google、HERE等)在其提供的高精度地图中已经包括了该地图中所包括的各个对象的点云。因此，步骤210处的获得高精度地图点云可包括直接从地图供应商提供的高精度地图获得高精度地图中的各个对象的点云(例如，车道线的点云、道路标志的点云、道路周边的绿化设施的点云等)。在另一实施例中，高精度地图点云可以通过安装在地图采集车上的激光雷达来获得。具体地，激光雷达可获得车辆周边道路环境中的全部对象的点云。所获得的点云可通过本领域中公知的算法(例如，点云分割算法、物体识别算法等)来处理，以识别各个对象并且获得相应对象的点云。
在步骤220，方法200可包括从高精度地图点云中提取与车辆定位相关的对象。与车辆定位相关的对象可包括以下至少一者：道路标志、车道线、障碍物、道路边缘、桥梁、电线杆、高架结构、或者交通指示牌。由此，可以移除与车辆定位无关的对象，诸如道路周边的绿化设施、停放着的车辆、带有草地的高山等。
在步骤230，方法200可包括存储与车辆定位相关的对象的点云以生成高精度地图的特征图。由此，在所生成的特征图中仅包括与车辆定位相关的对象的点云，从而显著节省了特征图的存储空间并且无需频繁地(例如，随季节)更新特征图。
在本发明的一个实施例中，还可以将与车辆定位相关的对象的类型存储在特征图中。由此，能够容易地标识该对象是什么东西(例如，道路标志、车道线等)。
在本发明的又一个实施例中，还可以将包含与车辆定位相关的每一个对象的点云的包围盒存储在特征图中。如本领域技术人员知晓的，包围盒是一种求解离散点集最优包围空间的算法，其基本思想是用体积稍大且特性简单的几何体(称为包围盒)来近似地代替复杂的几何对象。常用的形成包围盒的算法可包括轴对齐包围盒(AABB)算法、包围球算法、方向包围盒(OBB)算法、或者固定方向凸包(FDH)算法。在本发明的一个实施例中，包围盒定义了完全包含一个对象的点云的最小长方体。如上所述，特征图中的点云主要是用于车辆的定位的并且往往具有复杂的轮廓，通过使用最小长方体来表示点云，可以显著简化定位过程并且提高定位速度。
在本发明的又一个实施例中，可以使用八叉树(Octree)来压缩与车辆定位相关的每一个对象的点云。八叉树是一种用于描述三维空间的树状数据结构。八叉树的每个节点表示一个长方体的体积元素，每个节点有八个子节点，将八个子节点所表示的体积元素加在一起就等于父节点的体积。
图3示出了根据本发明的一个实施例的利用八叉树来压缩点云的示意图300。如图3所示，假设长方体301(例如，包围盒)包含了一个对象的全部点云。这里，将长方体301表示为节点310。长方体301可被划分成8个大小相等的长方体302。每个长方体302可被表示为第一级子节点320。如果一个长方体302包含了该对象的部分点云，则可用一标志(例如，二进制‘1’)来标记该长方体及其相应的子节点。如果一个长方体302不包含该对象的任何点云，则可用另一标志(例如，二进制‘0’)来标记该长方体及其相应的子节点。接下来，每个长方体302可被进一步划分成8个大小相等的长方体303。长方体303可被表示为第二级子节点330。如果一个长方体303包含了该对象的部分点云，则可用一标志(例如，二进制‘1’)来标记该长方体及其相应的子节点。如果一个长方体303不包含该对象的任何点云，则可用另一标志(例如，二进制‘0’)来标记该长方体及其相应的子节点。上述过程可以迭代地继续进行，以使得八叉树可被划分成多个等级，每个等级中的长方体可用二进制‘0’或‘1’来表示，从而实现以不同的精度来压缩点云。例如，等级越高，则划分的次数越多、长方体的体积越小、并且点云的精度越高。
在操作中(例如，在道路测试期间)，特征图中的每个对象的全部点云可被存储在地图供应商的服务器上。用户能够以特定精度来向服务器请求每个对象的点云。由此，用户可以根据需要来从服务器下载特定精度的点云，而无需下载体积庞大的全部点云。根据本发明，通过采用八叉树压缩，能够达到约3M/10km的相对较小的特征图。
图4示出了根据本发明的一个实施例的具有点云和包围盒的特征图400。该特征图400包含了与车辆定位相关的对象的点云并且示例性地示出了完全包含特定对象的点云的包围盒。例如，包围盒410包含了道路旁某个道路标志的点云。
图5是根据本发明的一个实施例的用于生成高精度地图的特征图的装置500的框图。装置500的所有功能块(包括在装置500中的各个单元)可通过硬件、软件、硬件和软件的组合来实现。本领域技术人员应当理解，图5中描述的功能块可被组合成单个功能块或者划分成多个子功能块。
装置500可包括获得单元510，该获得单元510被配置成获得高精度地图点云，该高精度地图点云包括高精度地图中的各个对象的点云。装置500可进一步包括提取单元520，该提取单元520被配置成从高精度地图点云中提取与车辆定位相关的对象。装置500还可进一步包括存储单元530，该存储单元530被配置成存储与车辆定位相关的对象的点云以生成高精度地图的特征图。
图6示出了根据本发明的一个实施例的示例性计算设备的框图，该计算设备是可应用于本发明的各方面的硬件设备的一个示例。
参考图6，现在将描述一种计算设备600，该计算设备是可应用于本发明的各方面的硬件设备的一个示例。计算设备600可以是可被配置成用于实现处理和/或计算的任何机器，可以是但并不局限于工作站、服务器、桌面型计算机、膝上型计算机、平板计算机、个人数字处理、智能手机、车载计算机或者它们的任何组合。前述的各种方法/装置/服务器/客户端设备可全部或者至少部分地由计算设备600或者类似设备或系统来实现。
计算设备600可包括可经由一个或多个接口和总线602连接或通信的组件。例如，计算设备600可包括总线602、一个或多个处理器604、一个或多个输入设备606以及一个或多个输出设备608。该一个或多个处理器604可以是任何类型的处理器并且可包括但不限于一个或多个通用处理器和/或一个或多个专用处理器(例如，专门的处理芯片)。输入设备606可以是任何类型的能够向计算设备输入信息的设备并且可以包括但不限于鼠标、键盘、触摸屏、麦克风和/或远程控制器。输出设备608可以是任何类型的能够呈现信息的设备并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。计算设备600也可以包括非瞬态存储设备610或者与所述非瞬态存储设备相连接，所述非瞬态存储设备可以是非瞬态的并且能够实现数据存储的任何存储设备，并且所述非瞬态存储设备可以包括但不限于磁盘驱动器、光存储设备、固态存储器、软盘、软磁盘、硬盘、磁带或任何其它磁介质、光盘或任何其它光介质、ROM(只读存储器)、RAM(随机存取存储器)、高速缓冲存储器和/或任何存储芯片或盒式磁带、和/或计算机可从其读取数据、指令和/或代码的任何其它介质。非瞬态存储设备610可从接口分离。非瞬态存储设备610可具有用于实施上述方法和步骤的数据/指令/代码。计算设备600也可包括通信设备612。通信设备612可以是任何类型的能够实现与内部装置通信和/或与网络通信的设备或系统并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信设备和/或芯片组，例如蓝牙设备、IEEE 1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似设备。
当计算设备600被用作车载设备时，它也可以与外部设备(例如，GPS接收机、用于感测不同环境数据的传感器(诸如加速度传感器、车轮速度传感器、陀螺仪等))连接。以这种方式，计算设备600例如可接收定位数据和表明车辆形式状况的传感器数据。当计算设备600被用作车载设备时，它也可以与用于控制车辆的行驶和操作的其它设备(例如，发动机系统、雨刮器、防抱死制动系统等)连接。
此外，非瞬态存储设备610可以具有地图信息和软件组件，从而处理器604可实现路线引导处理。此外，输出设备606可以包括用于显示地图、显示车辆的定位标记以及显示表明车辆行驶状况的图像的显示器。输出设备606也可以包括扬声器或耳机接口以用于音频引导。
总线602可以包括但不限于工业标准结构(ISA)总线、微通道结构(MCA)总线、增强型ISA(EISA)总线、视频电子标准协会(VESA)局部总线和外部设备互连(PCI)总线。特别地，对于车载设备，总线602也可包括控制器局域网(CAN)总线或者为汽车上的应用所设计的其它结构。
计算设备600还可包括工作存储器614，该工作存储器614可以是任何类型的能够存储有利于处理器604的工作的指令和/或数据的工作存储器并且可以包括但不限于随机存取存储器和/或只读存储设备。
软件组件可位于工作存储器614中，这些软件组件包括但不限于操作系统616、一个或多个应用程序618、驱动程序和/或其它数据和代码。用于实现上述方法和步骤的指令可包含在所述一个或多个应用程序618中，并且前述各种装置/服务器/客户端设备的模块/单元/组件可通过处理器604读取和执行所述一个或多个应用程序618的指令来实现。
也应该认识到可根据具体需求而做出变化。例如，也可使用定制硬件、和/或特定组件可在硬件、软件、固件、中间件、微代码、硬件描述语音或其任何组合中实现。此外，可采用与其它计算设备、例如网络输入/输出设备等的连接。例如，可通过具有汇编语言或硬件编程语言(例如，VERILOG、VHDL、C++)的编程硬件(例如，包括现场可编程门阵列(FPGA)和/或可编程逻辑阵列(PLA)的可编程逻辑电路)利用根据本发明的逻辑和算法来实现所公开的方法和设备的部分或全部。
尽管目前为止已经参考附图描述了本发明的各方面，但是上述方法、系统和设备仅是示例，并且本发明的范围不限于这些方面，而是仅由所附权利要求及其等同物来限定。各种组件可被省略或者也可被等同组件替代。另外，也可以在与本发明中描述的顺序不同的顺序实现所述步骤。此外，可以按各种方式组合各种组件。也重要的是，随着技术的发展，所描述的组件中的许多组件可被之后出现的等同组件所替代。
Claims (10)
1.一种用于生成高精度地图的特征图的方法，所述方法包括：
获得高精度地图点云，所述高精度地图点云包括所述高精度地图中的各个对象的点云；
从所述高精度地图点云中提取与车辆定位相关的对象；以及
存储与车辆定位相关的所述对象的点云以生成所述高精度地图的特征图。
2.如权利要求1所述的方法，其特征在于，与车辆定位相关的所述对象包括以下至少一者：道路标志、车道线、障碍物、道路边缘、桥梁、电线杆、高架结构、或者交通指示牌。
3.如权利要求1所述的方法，其特征在于，进一步包括：
对于与车辆定位相关的所述对象中的每一个对象，将包含该对象的点云的包围盒存储在所述特征图中。
4.如权利要求3所述的方法，其特征在于，所述包围盒是使用轴对齐包围盒(AABB)算法、包围球算法、方向包围盒(OBB)算法、或者固定方向凸包(FDH)算法来生成的。
5.如权利要求1所述的方法，其特征在于，进一步包括：
使用八叉树来压缩与车辆定位相关的所述对象中的每一个对象的点云。
6.如权利要求5所述的方法，其特征在于，所述八叉树被划分成多个等级，每个等级表示点云信息的不同精度。
7.如权利要求6所述的方法，其特征在于，所述特征图被存储在地图供应商的服务器中，并且用户能够以特定精度来向所述服务器请求所述特征图中的点云信息。
8.一种用于生成高精度地图的特征图的装置，包括：
获得单元，其配置成获得高精度地图点云，所述高精度地图点云包括所述高精度地图中的各个对象的点云；
提取单元，其配置成从所述高精度地图点云中提取与车辆定位相关的对象；以及
存储单元，其配置成存储与车辆定位相关的所述对象的点云以生成所述高精度地图的特征图。
9.一种用于生成高精度地图的特征图的装置，包括：
存储器，所述存储器存储计算机可执行指令；以及
处理器，所述处理器耦合至所述存储器并且被配置成：
获得高精度地图点云，所述高精度地图点云包括所述高精度地图中的各个对象的点云；
从所述高精度地图点云中提取与车辆定位相关的对象；以及
存储与车辆定位相关的所述对象的点云以生成所述高精度地图的特征图。
10.一种非瞬态计算机可读介质，所述非瞬态计算机可读介质存储计算机程序，所述计算机程序在由处理器执行时执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811206505.8A CN111060114A (zh) | 2018-10-17 | 2018-10-17 | 用于生成高精度地图的特征图的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811206505.8A CN111060114A (zh) | 2018-10-17 | 2018-10-17 | 用于生成高精度地图的特征图的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111060114A true CN111060114A (zh) | 2020-04-24 |
Family
ID=70296828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811206505.8A Pending CN111060114A (zh) | 2018-10-17 | 2018-10-17 | 用于生成高精度地图的特征图的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111060114A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114136333A (zh) * | 2021-10-15 | 2022-03-04 | 阿波罗智能技术(北京)有限公司 | 基于分层特征的高精地图道路数据生成方法、装置、设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104833370A (zh) * | 2014-02-08 | 2015-08-12 | 本田技研工业株式会社 | 用于映射、定位和位姿校正的系统和方法 |
| CN105783873A (zh) * | 2016-02-24 | 2016-07-20 | 腾讯科技（深圳）有限公司 | 目标物的测量方法、高精度地图生成方法及相关装置 |
| CN107451526A (zh) * | 2017-06-09 | 2017-12-08 | 蔚来汽车有限公司 | 地图的构建及其应用 |
| CN107796374A (zh) * | 2017-05-18 | 2018-03-13 | 北京图森未来科技有限公司 | 一种图像定位方法、系统和装置 |
| CN108205133A (zh) * | 2016-12-20 | 2018-06-26 | 罗伯特·博世有限公司 | 删除雷达地图中的地标的至少一个地标位置的方法和装置 |
| CN108225341A (zh) * | 2016-12-14 | 2018-06-29 | 乐视汽车（北京）有限公司 | 车辆定位方法 |
| CN108268516A (zh) * | 2016-12-30 | 2018-07-10 | 乐视汽车（北京）有限公司 | 基于八叉树的云端地图地图更新方法及设备 |
-
2018
- 2018-10-17 CN CN201811206505.8A patent/CN111060114A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104833370A (zh) * | 2014-02-08 | 2015-08-12 | 本田技研工业株式会社 | 用于映射、定位和位姿校正的系统和方法 |
| CN105783873A (zh) * | 2016-02-24 | 2016-07-20 | 腾讯科技（深圳）有限公司 | 目标物的测量方法、高精度地图生成方法及相关装置 |
| CN108225341A (zh) * | 2016-12-14 | 2018-06-29 | 乐视汽车（北京）有限公司 | 车辆定位方法 |
| CN108205133A (zh) * | 2016-12-20 | 2018-06-26 | 罗伯特·博世有限公司 | 删除雷达地图中的地标的至少一个地标位置的方法和装置 |
| CN108268516A (zh) * | 2016-12-30 | 2018-07-10 | 乐视汽车（北京）有限公司 | 基于八叉树的云端地图地图更新方法及设备 |
| CN107796374A (zh) * | 2017-05-18 | 2018-03-13 | 北京图森未来科技有限公司 | 一种图像定位方法、系统和装置 |
| CN107451526A (zh) * | 2017-06-09 | 2017-12-08 | 蔚来汽车有限公司 | 地图的构建及其应用 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114136333A (zh) * | 2021-10-15 | 2022-03-04 | 阿波罗智能技术(北京)有限公司 | 基于分层特征的高精地图道路数据生成方法、装置、设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6862409B2 (ja) | 地図生成及び移動主体の位置決めの方法及び装置 | |
| KR102273559B1 (ko) | 전자 지도를 업데이트하기 위한 방법, 장치 및 컴퓨터 판독 가능한 저장 매체 | |
| US11328521B2 (en) | Map construction method, electronic device and readable storage medium | |
| CN107709930B (zh) | 用于表示地图要素的方法和装置以及用于定位车辆/机器人的方法和装置 | |
| CN110226186B (zh) | 表示地图元素的方法和装置以及定位的方法和装置 | |
| EP3644013B1 (en) | Method, apparatus, and system for location correction based on feature point correspondence | |
| JP7481534B2 (ja) | 車両位置決定方法及びシステム | |
| US11003934B2 (en) | Method, apparatus, and system for selecting sensor systems for map feature accuracy and reliability specifications | |
| US10152635B2 (en) | Unsupervised online learning of overhanging structure detector for map generation | |
| CN111351502B (zh) | 用于从透视图生成环境的俯视图的方法，装置和计算机程序产品 | |
| US11055862B2 (en) | Method, apparatus, and system for generating feature correspondence between image views | |
| US10949707B2 (en) | Method, apparatus, and system for generating feature correspondence from camera geometry | |
| CN110770540B (zh) | 用于构建环境模型的方法和装置 | |
| CN111833443A (zh) | 自主机器应用中的地标位置重建 | |
| JP7429246B2 (ja) | 対象を識別する方法とシステム | |
| CN111060114A (zh) | 用于生成高精度地图的特征图的方法和装置 | |
| CN112099481A (zh) | 用于构建道路模型的方法和系统 | |
| CN114743395A (zh) | 一种信号灯检测方法、装置、设备及介质 | |
| CN113850909A (zh) | 点云数据处理方法、装置、电子设备及自动驾驶设备 | |
| CN111061820A (zh) | 用于存储高精度地图的方法和装置 | |
| CN112400122A (zh) | 定位目标对象的系统和方法 | |
| US20240013554A1 (en) | Method, apparatus, and system for providing machine learning-based registration of imagery with different perspectives | |
| EP3944137A1 (en) | Positioning method and positioning apparatus | |
| CN112101392A (zh) | 用于标识对象的方法和系统 | |
| CN112198523A (zh) | 用于点云分割的方法和装置 |
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 |