CN111065893A - 用于创建精确到车道的道路地图的方法和设备 - Google Patents

用于创建精确到车道的道路地图的方法和设备 Download PDF

Info

Publication number
CN111065893A
CN111065893A CN201880036146.8A CN201880036146A CN111065893A CN 111065893 A CN111065893 A CN 111065893A CN 201880036146 A CN201880036146 A CN 201880036146A CN 111065893 A CN111065893 A CN 111065893A
Authority
CN
China
Prior art keywords
road
intersection
model
lane
lanes
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
CN201880036146.8A
Other languages
English (en)
Inventor
D·曹姆
O·勒特
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of CN111065893A publication Critical patent/CN111065893A/zh
Pending legal-status Critical Current

Links

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
    • G01C21/38—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
    • 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
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
    • 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
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G01C21/3667—Display of a road map
    • G01C21/367—Details, e.g. road map scale, orientation, zooming, illumination, level of detail, scrolling of road map or positioning of current position marker
    • 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
    • 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
    • G01C21/3822—Road feature data, e.g. slope 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3863—Structures of map data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G01C7/00—Tracing profiles
    • G01C7/02—Tracing profiles of land surfaces
    • G01C7/04—Tracing profiles of land surfaces involving a vehicle which moves along the profile to be traced
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Instructional Devices (AREA)
  • Navigation (AREA)

Abstract

提出一种用于创建精确到车道的道路地图(22)的方法。该方法具有以下步骤：提供数字的精确到行车道的道路地图(14)；提供轨迹数据集(16)；在将精确到行车道的道路地图(14)分割成至少一个道路部段(26)的情况下辨识至少一个道路(17)。此外，所述方法还具有以下步骤：在至少一个道路模型(28)中对道路部段(26)进行建模，其中，该道路模型(28)具有用于描述道路(17)的车道(23)的多个参数(L，W，G，C)。此外，所述方法具有以下步骤：通过随机选择道路模型(28)的改变操作(40，41，42，43，44，46，48，50)来随机地改变道路模型(28)的参数(L，W，G，C)的至少一部分的参数值；在针对道路模型(28)求取至少一个概率值的情况下，将轨迹数据集(16)的轨迹数据(27)的至少一部分分配给道路模型(28)。基于所求取的至少一个概率值求取道路模型(28)的最佳参数值，基于最佳参数值创建精确到车道的道路地图(22)，精确到车道的道路地图的特征尤其在于高准确度。

Description

用于创建精确到车道的道路地图的方法和设备
技术领域
本发明大体上涉及一种创建道路地图的方法。本发明尤其涉及用于创建数字的精确到车道(fahrspurgenau)的道路地图的一种方法和一种数据处理设备。
背景技术
尤其在车辆的自动化驾驶和/或自主驾驶方面，在过去已经开发出各种各样的用于创建数字道路地图的方法。
在Uruwaragoda等人的论文《Generating Lane Level Road Data from VehicleTrajectroies Using Kernel Density Estinnation》(2013年，第16届国际IEEE智能交通系统年度会议论文集(ITSC 2013)，201)中例如公开一种用于估计道路上的车道数量和宽度的方法。为此，基于精确到车道的道路地图，以不连续间隔垂直地切割道路的中心线。对于这些垂直线中的每个，计算与道路上的车辆轨迹的交叉点，并且分别执行核密度估计。因此，产生沿道路的支撑点，这些支撑点包含关于车道数量和车道宽度的信息，并且最终可以使这些支撑点相关联。
在Schroedel等人的论文《Mining GPS Traces for Map Refinement》(数据挖掘和知识发现，2004年9月)中，在不具备地图先验知识的情况下推导出关于车道数量和车道宽度的信息，其方式是：一种算法首先将车辆轨迹分为多个部段，然后辨识中心线。沿着该中心线，借助密度估计法来对至车辆轨迹的垂直距离进行分类，以便能够做出关于车道的说明。
在Betaille等人的《Creating Enhanced Maps for Lane-Level VehicleNavigation》(IEEE智能交通系统学会，2010年4月，2010年10月)中采用基于模型的方法，其中，通过Klothoide描述的模型来匹配于车辆的所测量的轨迹数据。
发明内容
借助本发明的实施方式可以以有利的方式提供一种用于创建详细且准确的精确到车道的地图的改善的方法以及一种相应的数据处理设备。
本发明的一方面涉及一种用于创建和/或生成精确到车道的道路地图(尤其数字的精确到车道的道路地图)的方法。在此，该方法包括以下步骤：
-提供数字的精确到行车道(fahrbahngenau)的道路地图，所述数字的精确到行车道的道路地图用于描述至少一个道路的道路走向；
-提供轨迹数据集，该轨迹数据集具有交通参与者的沿着所述至少一个道路的多个轨迹数据；
-在将精确到行车道的道路地图分割、分解和/或划分成至少一个道路部段的情况下，辨识和/或求取至少一个道路；
-在至少一个道路模型中对道路部段进行建模，其中，该道路模型具有用于几何地和/或拓扑地描述道路的车道的多个参数；
-通过随机地选择道路模型的用于改变参数值的改变操作，随机地改变和/或更改、尤其多次随机地改变和/或更改道路模型的至少一部分参数的参数值；
-在针对道路模型求取至少一个概率值的情况下，将轨迹数据集的轨迹数据的至少一部分分配给道路模型，其中，该概率值与轨迹数据通过道路模型的映射、模拟和/或仿真的品质和/或质量相关联；
-基于所求取的至少一个概率值来求取道路模型的参数的至少一部分的最佳参数值；
-基于道路模型的最佳参数值来创建精确到车道的道路地图。
在此处和在下文中，“数字的精确到行车道的道路地图”表示以下道路地图：该道路地图仅包含关于道路走向和/或行车道的信息，然而不包含关于行车道上的各个车道(Fahrspur)的信息。精确到行车道的道路地图例如可以具有一个或多个节点和棱边(Kante)，其中，棱边可以用于示出道路和/或道路区段，节点可以用于示出交叉路口。“精确到行车道”同样可以表示具有节点和棱边的图形(Graphe)。在此，在图形和/或精确到行车道的道路地图中，棱边可以通过箭头说明和/或示出，并且节点可以通过点说明和/或示出。
术语“精确到车道的道路地图”可以表示以下数字道路地图和/或图形：其具有关于各个车道的信息。精确到车道的道路地图尤其可以包括关于各个车道的几何特性的信息——例如关于车道宽度、车道数量、行驶方向相反的车道之间的距离、和/或道路和/或道路区段的曲率。这些几何信息例如可以被考虑和/或包含在“用于道路的车道的几何描述的参数”的至少一部分中。同样，“用于几何描述的参数”可以具有以下参数：所述参数用于描述车道数量、各个车道的宽度、道路或各个车道的曲率、和/或行驶方向相反的车道之间的距离。此外，精确到车道的道路地图包含关于车道拓扑的信息，其中，该拓扑可以描述各个车道之间的连接路径(Verbindungsweg)，连接和/或连通性。这些拓扑信息例如可以被考虑和/或包含在“用于道路的车道的拓扑描述的参数”的至少一部分中。同样地，“用于拓扑描述的参数”可以包括以下参数：所述参数用于描述各个车道之间的连接路径、连接和连通性、道路部段中各个车道的消失和/或道路部段中附加车道的产生。
术语“轨迹数据”可以表示地理坐标——例如GPS坐标(全球定位系统，GPS)和/或GNSS数据(全球导航卫星系统，GNSS)，该地理坐标描述交通参与者(例如车辆、自行车和/或行人)的沿着道路的和/或在交叉路口上的轨迹、运动特性、行驶路径和/或运动。同样地，术语“轨迹数据集”可以表示一个或多个交通参与者的这种轨迹数据的集合。
此外，术语“在至少一个道路模型中对道路部段进行建模”可以表示：在至少一个道路模型中对道路部段进行映射、模拟、模仿和/或仿真。在此，道路模型可以表示对道路部段的数学的和/或基于模型的抽象和/或描述。
下面对根据本发明的方法进行总结。例如可以在数据处理设备中由数据处理设备的数据存储器读取精确到行车道的道路地图。在此，为了在地理上描述一个或多个道路和/或一个或多个交叉路口，精确到行车道的道路地图可以具有一个或多个节点和/或一个或多个棱边。因此，提供精确到行车道的道路地图可以包括：读取精确到行车道的道路地图，和/或，读取至少一个棱边和/或至少一个节点。然后，例如可以根据至少一个节点和/或至少一个棱边来对精确到行车道的道路地图进行分析，并且可以将精确到行车道的道路地图划分和/或分割成至少一个道路部段。精确到行车道的道路地图尤其可以具有多个道路，例如可以基于节点和/或棱边来将所述多个道路分别划分成单个道路部段。换句话说，可以基于节点和/或棱边来辨识道路和/或至少一个道路。接下来，可以在单独的道路模型中对所辨识的道路部段中的每个进行映射、建模、模拟和/或仿真。随后，可以针对这些道路模型中的每个(这些道路模型可以分别分配有一个道路部段)，改变和/或更改相应道路模型的参数的至少一部分。尤其可以多次迭代地改变每个道路模型的参数，其中，可以同时地或按时间顺序相继地改变不同道路模型的参数。在此，可以独立于轨迹数据地改变参数值。此外，例如可以根据轨迹数据的和/或精确到行车道的道路地图的地理坐标，将轨迹数据分配给相应的道路模型。在此，可以求取：轨迹数据中的哪些布置在道路部段中的一个中，使得基于此可以求取属于各个道路模型的轨迹数据。在道路模型中建模的步骤尤其可以在将轨迹数据分配给道路模型的步骤之前进行。随后可以检查：通过相应道路模型对轨迹数据的仿真和/或模拟的品质如何，其中，可以针对道路模型中的每个求取一个概率值作为这种映射的品质和/或质量的度量。在本发明的范畴内，该概率值同样可以表示通过相应道路模型对轨迹数据的映射、模拟和/或仿真的质量和/或品质的度量。尤其可以通过多次独立地改变每个道路模型的参数的一部分来为道路模型中的每个求取多个概率值。由针对道路模型中的每个求取的概率值，然后可以分别选择相比于同一道路模型的其他概率值更高的和/或最高的至少一个的概率值，这种所选择的概率值因此可以相应于所属道路模型的最佳配置和/或相应于所属道路模型的最佳参数值。此外，在求取最高概率值的范畴内，可以使用所谓的模拟退火方法(Simulated Annealing)。这可以实现：随着优化过程的推进，更少地采纳使道路模型与轨迹数据之间的一致性变差的改变操作，和/或，道路模型的优化直接在道路模型的最佳参数值处(即最可能的和/或最好的道路模型)终止。因此，最终可以迭代地优化各个道路模型的概率值以及参数值。各个道路模型的最佳参数值可以被挑选出和/或选择出并且因此可以示出和/或代表精确到车道的道路地图。换句话说，可以通过至少一个道路模型的最佳参数来给定精确到车道的道路地图。因此，根据本发明的方法可以设置，在一个或多个道路模型中对一个或多个道路部段进行映射，并且随后迭代地求取所述一个或多个道路模型的最佳参数值。
因此，根据本发明的方法可以表示基于模型的优化方法，基于该方法，可以以有利的方式由一个或多个交通参与者的运动特性、轨迹数据和/或行驶轨迹推导出和/或求取出所行驶的道路网络的准确的拓扑和几何道路地图。在此，尤其可以以高精度确定各个车道的数量、走向、宽度、距离和/或连通性。这可以实现用于直线道路部段、转弯部段和/或交叉路口部段。
本发明尤其可以视为基于下述认知。借助许多量产车辆(Serienfahrzeug)中的连通性解决方案和/或智能手机应用，如今已经可以检测车辆和/或交通参与者的大量运动特性和/或轨迹数据。因此，这可以构成如下数据源：该数据源可供简单地、成本有利地、提前地使用。同时，在自动驾驶的背景下，道路网络的全面覆盖的准确制图变得越来越重要。因此，根据本发明的方法可以以有利的方式基于对例如大量车队的已知运动特性、轨迹数据和/或车辆轨迹的分析来实现道路网络的准确制图。例如，相比于传统地图制造商通常采取的通过高度专业的测量车辆的制图，可以成本有利地、简单地并且大量地提供用于根据本发明的方法的轨迹，使得能够成本有利地、快速地、全面覆盖地以及精确地对道路网络进行制图。
根据一种实施方式，基于蒙特卡洛法(Monte Carlo Methode)、尤其基于可逆跳跃马尔可夫链蒙特卡洛法(Reversible Jump Markov Chain Monte Carlo Methode)(RJMCMC)来求取最佳参数值。尤其可以基于蒙特卡洛法和/或可逆跳跃马尔可夫链蒙特卡洛法随机地选择改变操作，以便随机地改变道路模型的参数的至少一部分的参数值。在此，可以假设所有的或至少一部分的改变操是均匀分布的，并且可以基于随机数来选择改变操作中的一个，以便随机地改变参数值的至少一部分(即分割成相同小方块)。在随机地选择改变操作之后可以执行这些改变操作，然后可以决定：采纳还是放弃由该改变操作引起的参数值变化。在RJMCMC方法的过程中，通常可以将输入数据(例如轨迹数据)视为随机实验的实现，其中，所基于的道路网络和/或道路模型可能隐含着输入数据的分布。在此，RJMCMC方法的目标是根据道路模型来重构未知分布(例如实际的道路网络)。在此，可以随机地和/或独立于轨迹数据地改变道路模型和/或道路模型的参数值。随后，可以根据所求取的概率值和/或根据所求取的概率值的大小，(例如基于与阈值的比较和/或基于评估指标)放弃或采纳所属的参数值或参数值变化。也可以在求取最佳参数值的过程中使用模拟退火方法。
根据一种实施方式，道路模型具有至少一个道路块，其用于对至少在道路部段的部分区域中的数量恒定的车道进行建模。替代地或附加地，道路模型具有用于建模的至少一个连接块，其用于(基于至少一个几何参数矩阵和至少一个拓扑参数矩阵)对至少在道路部段的部分区域中的数量发生改变的车道进行建模，其中，几何参数矩阵的值描述该道路部段内的车道数量的变化，其中，拓扑参数矩阵的值描述该道路部段内的各个车道之间的连接。换句话说，可以设置：通过道路模型的至少一个道路块和连接块来对每个所辨识的道路部段进行建模。尤其可以设置：通过布置在两个连接块之间的道路块来对所辨识的道路部段进行建模。通过在每个道路部段中分别使用一个对恒定车道数量建模的道路块，可以有利地降低计算开销。此外，通过针对每个道路部段使用至少一个连接块，可以提高道路模型的灵活性，因为可以在连接块中可靠且广泛地建模和/或考虑：两个彼此邻接的道路部段的几何和/或拓扑的可能变化。在此，连接块可以对于行车道的每个行驶方向分别具有一个几何参数矩阵和拓扑参数矩阵。换句话说，为了对不同行驶方向的车道的几何和/或拓扑进行建模，连接块可以具有两个几何参数矩阵和两个拓扑参数矩阵。
根据一种实施方式，在道路模型中对道路部段进行建模的步骤具有以下部分步骤：
-以单位间隔(Einheitsintervall)对道路部段进行参数化，使得道路部段中的道路的每个点通过单位间隔中的参数化值所设定；
-将道路部段分割和/或划分成道路模型的至少一个道路块和至少一个连接块；
-基于连接块的至少一个几何参数矩阵，对道路部段内的车道的消失或产生进行建模、模拟和/或仿真；
-基于连接块的至少一个拓扑参数矩阵，对道路部段内的各个车道的连接进行建模、模拟和/或仿真；
-基于对道路模型的改变操作的随机选择，求取几何参数矩阵的值和/或拓扑参数矩阵的值。
在此，参数化的步骤可以包括：求取道路部段的长度和/或纵向延伸的步骤，以及对所求取的长度进行归一化的步骤。换句话说，可以对每个道路部段进行一维的参数化，由此，可以有利地通过0与1之间的值(即通过单位间隔的值)描述该道路部段的每个点。
根据一种实施方式，数字精确到行车道的道路地图具有至少一个交叉路口以及多个与该交叉路口连接的道路，其中，该方法还具有以下步骤：
-在将精确到行车道的道路地图分割和/或划分成至少一个交叉路口部段的情况下，辨识至少一个交叉路口；
-在至少一个交叉路口模型中对交叉路口部段进行建模、映射、模拟和/或仿真，其中，交叉路口模型具有用于几何地和/或拓扑地描述交叉路口的车道的多个参数；
-通过随机地选择交叉路口模型的用于改变参数值的改变操作，随机地改变和/或更改、尤其多次随机地改变交叉路口模型的参数的至少一部分的参数值；
-在针对交叉路口模型求取至少一个概率值的情况下，将轨迹数据集的轨迹数据的至少一部分分配给交叉路口模型，其中，该概率值与通过交叉路口模型对轨迹数据的映射的品质和/或质量相关；
-基于所求取的至少一个概率值求取交叉路口模型的参数的至少一部分的最佳参数值；
-基于交叉路口模型的最佳参数值创建精确到车道的道路地图。
因此，根据本发明，通过道路模型对精确到行车道的道路地图的每个道路部段进行建模，并且通过交叉路口模型对每个交叉路口部段进行建模。由此，可以以有利的方式对交叉路口和道路的个体化特性进行建模，并且可以降低计算开销。此外，这可以提高所创建的精确到车道的道路地图的精确度和/或准确性。在此，例如可以通过辨识与多于两个棱边连接的节点来辨识精确到行车道的道路地图中的交叉路口。
根据一种实施方式，交叉路口模型具有外交叉路口模型，该外交叉路口模型用于基于距离参数(d)和角度参数(a)来对交叉路口的可行驶区域进行建模。替代地或附加地，在交叉路口模型中对交叉路口部段进行建模的步骤具有以下部分步骤：
-例如基于在精确到行车道的道路地图中求取与多于两个棱边连接的节点来在精确到行车道的道路地图中求取交叉路口节点；
-在求取与交叉路口连接的道路的数量的情况下，求取精确到行车道的道路地图的与交叉路口节点连接的棱边的数量，其中，所求取的棱边的数量可以相应于与交叉路口连接的道路的数量；
-生成和/或产生如下数量的交叉臂：所述数量相应于(与交叉路口连接的)道路的数量，其中，交叉臂中的每个通过距离参数(d)定义，该距离参数用于说明交叉路口的中心至交叉路口的边界区域的沿着相应交叉臂的距离，其中，交叉臂中的每个通过角度参数(a)定义，该角度参数用于说明相应交叉臂与参考方向(例如参考交叉臂的参考方向)之间的旋转角。
通过外交叉路口模型，例如可以在考虑到车道数量、车道宽度、行驶方向相反的车道之间的距离和/或曲率的情况下，有利地对交叉臂之间的连接横截面以及连接到该连接横截面的道路进行精确建模和/或彼此匹配。
根据一种实施方式，交叉路口模型具有内交叉路口模型，该内交叉路口模型用于基于交叉路口模型的因子矩阵(F)对以下进行建模：驶入交叉路口的车道、驶出交叉路口的车道、交叉路口的可行驶区域上的车道的走向。替代地或附加地，在交叉路口模型中对交叉路口部段进行建模的步骤具有以下部分步骤：
-基于因子矩阵(F)对驶入交叉路口的车道的至少一部分、驶出交叉路口的车道的至少一部分、以及在交叉路口的交叉路口区域上引导的车道的至少一部分的走向进行建模、模拟、映射和/或仿真，其中，因子矩阵(F)的值描述穿过交叉路口区域的车道的走向和连接；
-基于轨迹数据集的轨迹数据的至少一部分求取因子矩阵(F)的值。
通过内交叉路口模型，可以有利地对通过交叉路口区域的各个车道的每个可能的连接进行精确建模。此外，因为轨迹数据始终可以代表和/或示出实际的和真实的车道连接，所以通过基于轨迹数据求取因子矩阵的值，可以降低通过交叉路口的车道的可能连接的数量，并且因此降低计算开销。
根据一种实施方式，道路模型和/或交叉路口模型分别具有用于描述车道数量的数量参数(L)、用于描述各个车道的宽度的宽度参数(W)、用于描述道路曲率的曲率参数(C)，以及用于描述行驶方向相反的车道之间的距离的距离参数(G)。以上提到的参数可以是交叉路口模型的内交叉路口模型和/或外交叉路口模型的参数。以上参数也可以是道路模型的道路块和/或连接块的参数。行驶方向相反的车道之间的距离例如可以描述行驶方向相反的相邻车道之间的结构隔离。通过道路模型和/或交叉路口模型的以上列出的参数，可以以有利的方式确保可以对道路和/或交叉路口进行精确建模，并且因此可以创建准确的精确到车道的道路地图。
根据一种实施方式，道路模型和/或交叉路口模型具有从列表中选择的至少一个改变操作，该列表包括在道路模型、道路模型的道路块和/或连接块方面的以下操作：用于将连接块插入到道路块中的插入操作、用于将两个道路块与一个连接块合并成一个道路块的合并操作、用于对参数化值(其用于对道路的纵向延伸进行参数化)进行匹配的匹配操作；用于添加车道的添加操作、用于移除车道的移除操作、用于匹配行驶方向相反的车道之间的距离的距离匹配操作、用于匹配车道的宽度的宽度匹配操作、用于匹配道路的曲率的曲率匹配操作。借助以上列出的改变操作，可以通过随机地选择改变操作中的一个来有利地改变道路模型和/或交叉路口模型的所有的和/或至少大部分参数的参数值。此外，改变操作可以可靠地映射出真实道路网络的所有可设想的和真实的变化，这又能够允许创建精确且真实的精确到车道的道路地图。
根据一种实施方式，该方法还具有以下步骤：基于评估指标，放弃或采纳基于改变操作的随机选择而随机改变的参数值，该评估指标描述轨迹数据通过道路模型和/或交叉路口模型的映射的品质。在此，评估指标具有第一项，该第一项用于描述轨迹数据与道路模型和/或交叉路口模型之间的一致性。此外，评估指标还具有第二项，该第二项用于考虑道路几何特性的至少一个预先确定的特征参量(尤其关于车道宽度和/或道路宽度的特征参量)。例如可以针对特征参量给出关于特征参量的值的随机预先规定，这种随机预先规定可以预先确定特征参量的范围。例如，可以借助正态分布来确定车道宽度，使得应搜索约3.25m附近的车道宽度。因此例如可以避免检查例如6m的车道宽度。因此，通过评估指标可以有利地考虑关于道路几何特性和/或交叉路口几何特性的任何先验知识。例如，可以在评估指标中考虑道路建设的建设标准和/或建设准则。因此尤其可以确保：通过根据本发明的方法可以创建真实的精确到车道的道路地图。由此也可以降低计算时间。
本发明的另一方面涉及一种数据处理设备，其用于基于数字的精确到行车道的道路地图来求取精确到车道的道路地图。在此，该数据处理设备设置用于实施在上文中和在下文中所描述的方法。在此，术语“设置”可以意味着数据处理设备例如具有程序元素，该程序元素当其例如在数据处理设备的处理器上实施时促使数据处理设备实施根据本发明的方法。程序元素例如可以具有相应的软件指令。
在上文中和在下文中关于根据本发明的方法所描述的所有特征、步骤、功能和/或特性可以是在上文中和在下文中所描述的数据处理设备的特征、步骤、功能和/或特性，反之亦然。
根据一种实施方式，数据处理设备具有数据存储器和处理器，该数据处理器用于存储数字的精确到行车道的道路地图。此外，在数据存储器上还可以存储有程序元素，该程序元素当其在处理器上实施时促使数据处理设备实施根据本发明的方法。
附图说明
以下参考附图详细地描述本发明的实施例。
图1示出根据本发明的实施例的数据处理设备；
图2示出用于说明根据本发明的实施例的用于创建精确到车道的道路地图的方法的步骤的流程图；
图3A至图3D分别说明用于创建精确到行车道的道路地图的方法；
图4A至图4C分别说明根据本发明的实施例的用于创建精确到车道的道路地图的方法的步骤；
图5A至图5C分别说明根据本发明的实施例的道路模型；
图6A至图6D分别说明根据本发明的实施例的交叉路口模型；
图7A至图7E分别说明根据本发明的实施例的改变操作；
图8A和图8B分别说明根据本发明的实施例的评估指标的应用。
这些附图仅仅是示意性的并且未按比例绘制。在附图中，相同、起相同作用或相似的元件设有相同的附图标记。
具体实施方式
图1示出根据本发明的实施例的数据处理设备10。
数据处理设备10具有数据存储器12。在数据存储器12中可以储存有精确到行车道的道路地图14，该精确到行车道的道路地图可以具有：至少一个节点11(例如参见图3C和图3D)和/或棱边13(例如参见图3C和图3D)，其用于描述道路17(参见图4)的和/或交叉路口19(参见图4A)的道路走向。为了描述具有多个道路17和/或交叉路口19的道路网络，精确到行车道的道路地图14尤其可以具有多个节点11和/或棱边13。在数据存储器12中还可以储存有轨迹数据集16，该轨迹数据集具有交通参与者的多个轨迹数据27(参见图3B)。
替代地或附加地，数据处理设备10可以具有接口15，通过该接口可以给数据处理设备10提供精确到车道的道路地图14和/或轨迹数据集16。接口15例如可以无线地实施，使得例如可以通过WLAN、蓝牙服务器和/或类似物(例如从至少一个服务器和/或通过云环境)无线地接收精确到行车道的道路地图14和/或轨迹数据集16。
此外，数据处理设备10具有至少一个处理器18。在处理器18上例如可以实施储存在数据存储器12中的程序元素，该程序元素促使数据处理设备10和/或处理器18实施根据本发明的方法，该方法用于创建精确到车道的道路地图22(如上文中和下文中所描述)。
可选的，数据处理设备10可以具有操作元件20，该操作元件例如用于通过使用者输入操作输入。此外，操作元件还可以具有显示元件21，该显示元件用于显示精确到行车道的道路地图14、精确到车道的道路地图22和/或轨迹数据集16。
图2示出用于说明根据本发明的实施例的用于创建精确到车道的道路地图22的方法的步骤的流程图。
在第一步骤S1中，例如通过数据存储器12和/或通过接口15来给数据处理设备10提供数字的精确到行车道的道路地图14，该数字的精确到行车道的道路地图用于描述至少一个道路17和/或至少一个交叉路口19的道路走向。精确到行车道的道路地图14尤其具有多个道路17和交叉路口19。此外，在步骤S1中提供轨迹数据集16，该轨迹数据集具有沿至少一个道路17和/或至少一个交叉路口19的交通参与者的多个轨迹数据27。也可以通过数据存储器12和/或通过接口15来给数据处理设备10提供轨迹数据集16。
在步骤S2中，在将精确到行车道的道路地图14分割成至少一个道路部段26(参见图4C)的情况下辨识至少一个道路17。这可以基于精确到行车道的道路地图14的节点11和/或棱边13来实现。可选地，在步骤S2中，可以在将精确到行车道的道路地图14分割成至少一个交叉路口部段19a的情况下实现至少一个交叉路口19。在步骤S2中，尤其可以将精确到行车道的道路地图14划分成多个道路部段26和多个交叉路口部段19a。
在另一步骤S3中，在至少一个道路模型28(参见图5A、图5B)中对至少一个道路部段26进行建模。尤其可以在步骤S2中分别在道路模型28中对所有道路部段26进行建模。此外，可以在步骤S3中在交叉路口模型34(参见图6A至6C)中对至少一个交叉路口19进行建模。尤其可以在单独的交叉路口模型34中对交叉路口19中的每个进行建模。在此，道路模型28中的每个和/或交叉路口模型34中的每个具有多个参数，所述多个参数用于几何地和/或拓扑地描述车道23。
在另一步骤S4中，通过随机地选择道路模型28的和/或交叉路口模型34的改变操作40、41、42、43、44、46、48、50(参见图7A至图7E)，改变道路模型28的和/或交叉路口模型34的参数的至少一部分的参数值。在步骤S4中，尤其可以迭代地和多次地改变所有道路模型28的和所有交叉路口模型34的参数值。
在另一步骤S5中，在针对道路模型28求取至少一个概率值的情况下，将轨迹数据集16的轨迹数据27的至少一部分分配给道路模型28。在步骤S5中，尤其可以在分别针对道路模型28中的每个求取至少一个概率值的情况下，将轨迹数据27分配给道路模型28中的每个。此外，在步骤S5中，可以在求取至少一个概率值的情况下将轨迹数据27分配给至少一个交叉路口模型34，在步骤S5中，可以在针对交叉路口模型34中的每个分别求取至少一个概率值的情况下，将轨迹数据27分配给交叉路口模型34中的每个。在此，该概率值与轨迹数据27通过相应的道路模型28和/或相应的交叉路口模型34的映射的品质相关。
在步骤S6中，基于所求取的至少一个概率值来求取道路模型28的和/或交叉路口模型34的参数的至少一部分的最佳参数值。尤其可以为道路模型28和/或交叉路口模型34中的每个求取最佳参数值。
在步骤S7中，基于至少一个道路模型28的和/或至少一个交叉路口模型34的最佳参数值来创建精确到车道的道路地图22。精确到车道的道路地图22尤其可以通过所有道路模型28的和/或所有交叉路口模型34的最佳参数值给出。
图3A至图3D分别说明用于创建精确到行车道的道路地图16的方法。如此创建的精确到行车道的道路地图16可以成为创建精确到车道的道路地图22的基础。相应地，关于图3A至图3D描述的全部步骤也可以是根据本发明的用于创建精确到车道的道路地图22的方法的一部分。
在图3A中说明具有多个所收集的轨迹数据27和/或轨迹27的轨迹数据集16。此外，图3A还说明：将轨迹数据27分割和/或划分成不同的交通场景和/或部段24a-c。在图3A中示意性地示出描述转弯的第一部段24a、描述交叉路口的第二路部段24b以及描述道路的第三部段。在此，如在下文中所描述的那样求取部段24a-c。
由车队所收集的轨迹数据27(例如GNSS轨迹27)可以以任意的数量描述同样任意大小的交通场景。为了能够明确了解待分析处理的数据的范围，可以按照逻辑自动化地对轨迹27进行划分。为此，可以将轨迹数据27(可以称为输入数据)划分成不同的交通场景24a-c和/或不同的部段24a-c，其中，部段24a-c中的每个可以描述直线道路、转弯或交叉路口。
在一种自动化方法中可以遍历每个轨迹27，并且根据行驶角度变化的极限值和/或速度的极限值，可以将各个测量点辨识成潜在的转弯点。因此，这些点要么位于转弯上、交叉路口上，要么可能由于测量误差而引起。随后，可以通过距离极限值对所有辨识的点进行聚类，聚合(aggregieren)和/或组合。从超过确定数量的组合的点起，可以将聚类视为转弯和/或交叉路口。基于所发现的转弯和/或交叉路口，可以构造三角测量(Triangulation)和德劳内分解(Delaunay Zerlegung)。这种分解的每个单元最终可以描述独立的交通情况24a-c和/或部段24a-c。同样地，可以将部段24a-c解读为该分解的单元24a-c。
基于一定数量的轨迹数据27(例如GNSS车辆轨迹27)，可以产生精确到行车道的道路地图14，该精确到行车道的道路地图可以相应于由节点11和棱边13构成的图形，其中，节点11和棱边13可以代表道路中心线。在图3D中示例性地说明这种精确到行车道的道路地图14。
为了创建精确到行车道的道路地图14，首先可以如在图3A中所描述的那样对输入数据16、27进行分割。随后可以针对每个单元24a-c初始化图形，该图形可以描述相应部段24a-c或相应单元24a-c。在此争取达到的目标是：可以个体化地研发单元24a-c中的通过边界条件关联的模型，并随后将这些模型融合成一个图形。在图3B至图3D中示例性地示出，为图3A中的道路部段24c创建精确到行车道的道路地图14。在此，图3B示出单元24c或部段24c和车辆轨迹27。图3C示出初始道路地图14，图3D示出优化的道路地图14。图3C和图3D的道路地图14也可以称为单元图形14。
如图3B所示，为了进行初始化，首先可以借助轨迹27切割所有的单元底部25，以便求取单元底部25上的道路中心。如图3C所示，这些中心可以作为节点11被记录在相应单元24c的图形中。附加地，可以在每个单元24c中，将单元24c的重心作为节点11插入到图形中，并通过棱边13将其与单元底部25上的节点11连接。
为了使轨迹数据27与模型或单元图形相关联，可以引入评估指标，该评估指标描述模型对数据的映射的品质如何。在此，一方面可以考虑模型与轨迹数据27之间的距离，另一方面可以考虑行驶方向上的差异。为了优化模型并创建最终的精确到行车道的道路地图16(如图3D所示)，可以使用可逆跳跃马尔可夫链蒙特卡罗(RJMCMC)方法。在此，将轨迹数据27视为随机实验的实现，该随机实验的分布通过所基于的道路网络隐含。该方法的目的是重构未知分布，在这种情况下是重构道路网络。在此，随机地、独立于轨迹数据27地改变模型，并且随后可以根据评估指标作出关于采用或放弃这种改变的决定。模型的这种随机改变通过随机选择预先规定的改变操作来实现。可供选择的例如有：运动操作、产生操作、移除操作、分解操作和/或合并操作。在运动操作中，使单元图形24c的节点11在空间中运动。产生操作描述将新的节点11添加到图形24c中，并且产生操作与移除操作构成可逆的操作对。在合并操作中，将节点11插入到相邻的棱边13中，使得两个彼此靠近的棱边13逐渐结合在一起。分解操作则重新将这种结构分解并且因此代表合并操作的对立操作。为了正确地随机描述该过程，可逆对的存在可以是有利的。从图3C与图3D的比较中可以看出，在优化期间移除中间的节点11，因为该节点对于道路17的描述而言不是必需的。
图4A至图4C分别说明根据本发明的实施例的用于创建精确到车道的道路地图22的方法的步骤。具体而言，在图4A中示出精确到行车道的道路地图14。图4B说明参数化，图4C说明对道路地图14的道路17的分割。此外，图5A至图5C分别示出根据本发明的实施例的道路模型28。具体而言，图5A示出道路模型28的连接块30，图5B示出道路模型28的道路块32，图5C示出图5A中的连接块30的几何参数矩阵和拓扑参数矩阵。
图4A示出道路准确的图形14和/或精确到行车道的道路地图14，其借助节点11和棱边13描述道路17和道路末端处的交叉路口19。为了将道路17转化成精确到车道的道路地图22，首先对道路17进行一维参数化。因此，如图4B所示，可以通过单位间隔的值p∈[0；1]来描述道路17的每个点p。
基于该参数化可以定义如图4C所示的道路部段26。换句话说，将道路17划分成一个或多个道路部段26，例如可以基于节点11和/或棱边13来辨识这些道路部段。
如图5A至图5C所示，将道路17分割成道路部段26能够实现：在道路模型28中描述车道平面上的交通情况。在此区分以下情况：在恒定数量的车道23上行驶；以一个车道23对道路17进行扩展或缩减。
如图5B所示的一般的道路块32在此可以具有以下参数：用于描述车道23的数量的数量参数L、用于描述各个车道23的宽度的宽度参数W、用于描述道路17的曲率的曲率参数C、用于描述行驶方向相反的相邻车道23之间的距离的距离参数G。道路块28还可以具有用于描述每个车道23的行车道标记的类型的类型参数T。在此，参数G可以描述相反的车道23之间的结构隔离的参量。
因此，一般的道路块32可以通过以下参量定义。
B＝(L，W，T，G，C)
因此，道路17被定义为m个道路部段26的集合ξS及其参数化值P，这些给出根据图4A至4C所述的道路17的纵向延伸：
ξS＝({P1,…,Pm+1},{B1,…,Bm})
为了示出弯曲的道路部段26，可以通过三次埃尔米特多项式来描述道路部段26上的车道23的所有连接。由此能够实现：为了产生真实的道路走向，道路部段26不仅可以具有恒定的曲率而且可以具有任意的走向，其中，仅满足连续性和可微性的边界条件。通过预先规定连接点、斜率或斜率矢量，将边界条件引入连接点中。为了影响多项式的曲线，斜率矢量的量值可以作为参数C被考虑在或集成在道路模型28中。
一般的道路块32(以下也称为Bs)可以通过进一步的限制或补充来具体化。如图5B所示的道路块32包括如下限制：使相应道路部段26中的车道23的数量L保持恒定。因此，可以构造如下道路块：在该道路块上，例如只有车道宽度W的固有特性发生改变。在图5B中，车道23标有特征值-1、-2、+1、+2，其中，该符号说明行驶方向，并且各个行驶方向上的车道借助连续的自然数1、2进行编号。
如图5A所示，连接块30(以下也称为BC)描述如下交通情况：在该交通情况中，车道23的数量L发生改变，并且因此可以在该交通情况中对车道23的合并或分解进行建模。因此，通过R＝(RGR，RTR，RGL，RTL)相对于道路块32对连接块30进行补充，这不仅几何地描述哪个车道23消失或产生，而且拓扑地定义哪个车道23被连接。如图5C所示，针对每个行驶方向说明个体化的几何参数矩阵RGR、RGL和拓扑参数矩阵RTR、RTL。如图5C所示，通过“1”二进制地说明车道23的存在性信息或连接性，并且通过“0”说明非连接性。同样在图5A和图5C中，车道23标有特征值-1、-2、+1、+2，其中，该符号说明行驶方向，并且各个行驶方向上的车道23借助连续的自然数1、2进行编号。例如在图5A中示出的情况中能够拓扑地实现：从左侧的车道-1变换到新的车道-2上，或者保持在现有车道上。这种拓扑信息与简单的(通过行车道标记类型所隐含的)车道变换操作意义不同。因此，连接块30可以定义为：
BC＝(B，R)
除了对道路模型30的这些限制以外还可以预给定：在两个道路块32之间存在连接块30，以便必要时补偿道路块32之间的(例如车道数量L方面的)差异。如果没有必要进行改变，则连接块30可以在特例情况下表示道路块32。
图6A至图6D分别说明根据本发明的实施例的交叉路口模型34。具体而言，图6A和图6B示出交叉路口模型34的外交叉路口模型36，图6C示出交叉路口模型34的内交叉路口模型38，图6D示出图6C中的内交叉路口模型的因子矩阵F。
例如如图4A所示，在道路地图14的目前的表示中，已经通过与多于两个棱边13连接的节点11来表示交叉路口19。为了对交叉路口19进行精确到行车道的映射和/或建模，不仅需要关于交叉路口区域37和/或关于可行驶区域37(或交叉路口区域37)的几何信息，而且还需要关于驶入和驶出车道23的连通性的拓扑信息以及所述驶入和驶出车道在交叉路口区域37上的行驶路径的拓扑信息。为此，首先将精确到行车道的道路地图14分割成至少一个交叉路口部段19a，和/或，在精确到行车道的道路地图14中辨识交叉路口部段19a。然后在内交叉路口模型38和外交叉路口模型36中对交叉路口部段19a进行建模，这将在下文中更详细地阐述。
交叉路口模型34(以下也借助ξc表示)由两个不同的单个模型构成。在图6A和图6B中示出外交叉路口模型(以下也借助ξc,o表示)。为了进行初始化，检查精确到行车道的道路地图14的节点11，并根据所连接的棱边13辨识交叉路口节点35。因为可以通过多个节点11描述精确到行车道的道路地图14中的大型交叉路口19，所以必要时可以借助距离值dcr对多个节点11进行组合。可以在所参与的节点11的中心上产生外交叉路口模型36。根据所辨识的交叉路口节点35，可以直接得出有多少道路17与交叉路口19连接的信息。对于每个道路17产生一个交叉臂A1-A4。每个交叉臂A1-A4具有距离参数d和角度参数a，该距离参数描述关于该交叉臂A1-A4的从交叉路口区域37的中心至起点的距离，该角度参数相对于参考方向(例如东方向)定义旋转角。通过这两个参数d、a，为每个交叉臂A1-A4设定从道路17到交叉路口区域37的过渡点。
在图6C和图6D中说明内交叉路口模型38(以下也借助ξc,i表示)。内交叉路口模型38描述车道23的连通性。在此，每个交叉臂A1-A4具有与道路模型28的一般道路块32相同的信息，由此确定所连接的道路17的几何特性。在每个驶入和驶出的车道23之间可以存在如下连接：这种连接的走向可以通过三次埃尔米特多项式描述。因此，每个连接都受参数C的影响，该参数可以预给定在交叉路口区域37上的走向。如图6D所示，将参数C存储在因子矩阵F中，其中，值0说明不存在连接。通过辨识外车道走向附加地定义交叉路口区域37的边界。在此，对于每个行驶方向和每个交叉臂A1-A4，因子矩阵F可以具有行和列。为清楚起见，在图6D中通过不同的索引符号说明不同的行驶方向。此外，图6D中的各个交叉臂A1-A4的车道23连续地以自然数编号。
在下文中描述在前述附图(尤其图4A至图6D中)所描述的道路模型28的细节、交叉路口模型32的细节，以及根据本发明的用于创建精确到车道的道路地图22的方法。
为了对模型28、34进行初始化，将精确到行车道的道路地图14划分成道路17和交叉路口19。在每个交叉路口19上，产生具有dinit＝25m的臂距的初始交叉路口模型34，其中，由道路地图14确定交叉臂A1-A4所连接的道路17数量以及角度参数a。随后，在交叉路口19之间生成道路模型28，其中，在图形中通过链路{vx,…,vy}来描述道路17。在精确到车道的道路模型28中，在每个节点11上产生连接块30，并且在连接块之间产生道路块32。每个道路17都以连接块30开始和结束，该连接块必要时可以修正邻接的道路块32与交叉路口连接之间的差异。每个道路17被初始化为两车道的，这两个车道对于每个行驶方向具有一个车道。在下文中将a个道路模型28和b个交叉路口模型34的整体表示为
Figure BDA0002296209360000181
初始化模型28、34、Φ表示整体模型的当前配置。这些模型的参数是道路块32的、连接块30的、内交叉路口模型36的和外交叉路口模型38的所述特性或参数。通过使用RJMCMC方法改变这些参数，因此在下文中介绍可能的改变操作以及相应的过渡核
Figure BDA0002296209360000182
对于所有模型28、30、32、34、36、38，一方面存在仅影响现有参数的值的改变操作，另一方面存在改变模型28、30、32、34、36、38的尺寸的改变操作。
图7A至图7E分别说明根据本发明的实施例的改变操作40、41、42、43、44、46、48、50。具体而言，图7A的左侧示出用于将连接块30插入到道路块32中的插入操作40，以及(作为插入操作40的可逆的改变操作的)用于将两个道路块32和一个连接块30合并成一个道路块32的合并操作41。此外，图7A的右侧示出用于对参数化值进行匹配的匹配操作42，其中，该参数化值用于对道路17的纵向延伸进行参数化，图7B说明用于添加车道23的添加操作43以及用于移除车道23的移除操作44。此外，图7C示出用于对行驶方向相反的车道23之间的距离G进行匹配的距离匹配操作46，图7D示出用于匹配车道23的宽度的宽度匹配操作48，图7E示出用于匹配道路17的曲率C的曲率匹配操作50。
关于道路模型28，改变操作40、41、42、43、44、46、48、50再次被划分成两类。如图7A所示，插入操作40、合并操作41和匹配操作42在块的级别方面改变道路模型28，即不改变个体化的特性，而是仅改变道路块32和连接块30的数量及其空间延伸。在添加操作43中，将现有的道路块32分解成两个道路块32和一个连接块30。移除操作44则相应地连接这些块群(Konstellation)并与添加操作43构成可逆对，可以如此选择该可逆对的选择概率，使得满足扩展的详细平衡条件。在匹配操作42中，在道路模型28的参数化方面改变道路块32的和/或连接块30的边界。添加操作43、移除操作44、距离匹配操作46、宽度匹配操作48和曲率匹配操作50改变道路块32的特性或参数值。不能主动地改变，而是只能被动地改变连接块30的参数值。所述连接块的参数值与邻接道路块32相匹配。在此，用于添加车道23的添加操作43和移除操作44同样构成可逆对，而三个调节操作42、46、50仅改变参数的值。
为了在随机地改变道路模型28的和/或交叉路口模型34的参数值时不偏向于改变操作40、41、42、43、44、44、46、48、50中的任一个，或者，为了以相同的概率选择改变操作40、41、42、43、44、44、46、48、50，可以假设所有改变操作40、41、42、43、44、44、46、48、50的选择概率ω40、ω41、ω42、ω43、ω44、ω46、ω48、ω50是相同的：
ω40＝ω41＝ω42＝ω43＝ω44＝ω46＝ω48＝ω50，其中
∑ω＝1
以下更详细地考虑各个改变操作40、41、42、43、44、46、48、50。
从图7A的上图到图7A的左图的过渡借助插入操作40实现。待分割的道路块32的纵向延伸Bs通过道路模型ξs的参数化P来定义，其中，该参数化的值为(ps,pe)∈P，其中，参数化长度为pl＝pe-ps。为了进行分割，在该长度上需要两个新的值u1,u2∈[0,pl]，其中满足u1＜u2：
τ40(P,u1,u2)＝(P,pS+u1,pS+u2),
其中，P′＝{p1,…,pS,pS+u1,pS+u2,pe,…,Pm+1},
u1,u2～q40(S(n+1)|S(n))＝U(0,pl)∈R
采纳概率确定为：
Figure BDA0002296209360000201
雅可比矩阵变换为：
Figure BDA0002296209360000202
行列式的值为1，因为矩阵是三角的。
合并操作41可以视为相反的情况。将该块群(道路块32、连接块30、道路块32)进行组合，其中，不需要新的分量来进行变换，但需要进行计算。在道路模型28的参数化P中，块群通过序列{pa,pb,pc,pd}来定义。采纳概率为：
Figure BDA0002296209360000203
其中，u1＝pb-pa,u2＝pc-pa
匹配操作42描述道路块32的两个参数化值中的一个的(图7A上图与图7A右图之间的过渡形式的)变化。在此，该参数至多可以改变道路块32的参数化长度pl的一半。为了不偏向于任何运动方向，将搜索函数实现为随机运动：
Figure BDA0002296209360000211
为了如图7B所示借助添加操作43来插入新的车道，以车道23的新车道宽度来对道路模型28进行补充。新车道宽度由如下正态分布得出：该正态分布的期望值和标准差由道路建设的预先规定得出。这些可以由场景的情景或道路17的类型来确定。对于所述变换存在：
τ43(W,u)＝(W,u)
Figure BDA0002296209360000212
雅各布矩阵的行列式值为1，因此得出采纳概率为：
Figure BDA0002296209360000213
相应地计算出相反的移除操作44的采纳概率，其中，分量u是待移除的车道23的车道宽度：
A44(S′|S(n))＝A44(S(n)|S′,u)-1
在图7C、7D、7E中所示的三个改变操作46、48、50改变道路模型28和/或交叉路口模型的现有参数值。因此，将相应的搜索函数实现为均等分布：
Figure BDA0002296209360000214
Figure BDA0002296209360000215
Figure BDA0002296209360000216
因为交叉路口模型34由内交叉路口模型36和外交叉路口模型38构成，所以对于每个下级模型36、38存在不同的改变操作。如图6A和图6B所示，两个参数(距离d和角度a)影响外交叉路口模型36的构型。交叉臂A1-A4的数量已经在初始化过程中从道路地图14中提取出并且将不再改变。因此，定义两个改变操作，这两个改变操作改变两个参数d、a，但不改变外交叉路口模型36的尺寸。换句话说，外交叉路口模型可以具有距离参数改变操作和角度参数改变操作。因此，将搜索函数实现为均等分布：
Figure BDA0002296209360000217
Figure BDA0002296209360000221
在内交叉路口模型38中，每个交叉臂A1-A4具有连接横截面，该连接横截面具有与道路块32相同的特性。因为在每个交叉臂A1-A4上都连接有连接块30，所以该连接块对交叉臂A1-A4的变化以及道路块32的变化准确地作出反应。因此，用于改变连接特性的改变操作与道路块32的已定义的改变操作相同。换句话说，内交叉路口模型38具有上面描述的改变操作40、41、42、43、44、46、48、50。通过RJMCMC操作不会对图6D中的因子矩阵F产生影响。
图8A和图8B分别说明根据本发明的一种实施例的评估指标的应用。
对于评估，一方面在第一项
Figure BDA0002296209360000224
中考虑关于道路模型28和/或交叉路口模型34与轨迹数据27之间的一致性的度量，另一方面在第二项
Figure BDA0002296209360000225
中考虑关于模型28、34的先验知识。以下介绍这种度量。
在第一步骤中，将车辆轨迹27映射到车道23上。为此，首先将每个道路部段26和每个交叉路口19中的每个中心线转化成图形，其中，该中心线借助节点11和棱边13小步地离散化。然后，借助道格拉斯皮克算法(Douglas-Peucker-Algorithmus)将每个图形优化到最小数量的节点11上。最后，将这些图形融合成整体表示G。
Figure BDA0002296209360000222
在下一步骤中，对于每个轨迹27产生隐式马尔可夫模型(Hidden-Markov-Modell)(HMM)，该隐式马尔可夫模型具有所生成的图形G的棱边13作为隐藏状态，还具有轨迹点作为发出的观测。HMM借助维特比算法求解，并且得出每个测量点至车道23的最可能分配：
Figure BDA0002296209360000223
作为评估指标，对根据图8A的轨迹与车道之间的欧几里得距离γd以及根据图8B的行驶夹角γα进行分析处理。附加地，引入最小行驶通过次数的极限值。γf描述跳跃函数，该跳跃函数导致将行驶通过次数太少的车道分级成不可靠的，并且拒绝这种配置。通常，对功能的定义取决于行驶通过的总次数，必要时可以如此构型功能的定义，使得将确定的值评估为正常数量，并且与该正常数量的偏差导致贬值。因此，评估指标的第一项是：
Figure BDA0002296209360000231
Figure BDA0002296209360000232
在此，用于考虑行驶通过的跳转函数定义为：
Figure BDA0002296209360000233
其中，L(ξ)是模型的车道，
Figure BDA00022962093600002310
是映射到第x车道上的轨迹数量，η是要达到的最小行驶通过次数。
在
Figure BDA0002296209360000234
中，考虑精确到车道的模型28、34的先验知识。为了使道路部段和交叉路口19保持真实，引入影响特性的发展的调整项。在此调整车道的宽度和块的长度：
Figure BDA0002296209360000235
在车道宽度w方面假设如下正态分布：该正态分布的参数在场景的情景中选择。可以从各种道路建设的不同建设准则中得出不同场景的特征参量。
Figure BDA0002296209360000236
在该方法中，由于非常短的道路部段26的排列(Aufreihung)会产生过度拟合。为了抵消该过度拟合，为道路部段引入最小长度，该最小长度通过借助跳转函数的调整来实现：
Figure BDA0002296209360000237
在对所有道路模型28和交叉路口模型34进行初始化之后，可以借助所定义的RJMCMC改变操作40、41、42、43、44、46、48、50来改变该方法。为此求取目标函数
Figure BDA0002296209360000238
该目标函数不仅在
Figure BDA0002296209360000239
中确定轨迹数据27与模型28、34之间的一致性，还在
Figure BDA0002296209360000241
中确定先验知识，该先验知识关于模型28、34的需要避免和需要加强的发展，其中δ∈[0；1]，其确定数据知识与模型知识之间的关系。
用于执行根据本发明的方法的相应算法可以划分为预热阶段和主阶段。在预热阶段中，例如不是所有的改变操作40、41、42、43、44、46、48、50都是可用的，而是仅能够使用道路模型28或交叉路口模型34的距离匹配操作46。借助该措施所处理的问题出现在具有较大结构隔离的道路上：通过同样权重地选择操作和没有结构隔离的初始模型，该方法可以快速地产生具有多个车道的模型。为此，随后使用许多迭代来以结构隔离替代多余车道23。通过预热阶段，可以在非常少的迭代中实现隔离的更好的初始估计。
此外，可以使用所谓的模拟退火方法，该模拟退火方法的目标是根据运行时间来影响上述目标函数：
Figure BDA0002296209360000242
其中，函数
Figure BDA0002296209360000243
表示每个单元的冷却函数，其中
Figure BDA0002296209360000244
这导致马尔可夫链的产生可以集中在目标函数的评估较好的区域。在实践中，这意味着随着运行时间的推进，逐渐更少地采纳使评估变差的改变操作。一旦所提出的改变操作被拒绝，冷却函数的值就下降。在此冷却函数是呈指数下降的函数：
Figure BDA0002296209360000245
其中，如此选择参数λ，使得需要一定数量的步骤S来达到温度eps≈0。为此，将该函数转换为与步数相关的计算规则：
Figure BDA0002296209360000246
补充地应指出，“包括”不排除其他元素，“一个”或无量词的情况不排除多个的情况。此外还需注意，参考上面的实施例所描述的特征也可以与上述其他实施例的其他特征结合使用。权利要求中的附图标记不视为限制性的。

Claims (12)

1.一种用于创建精确到车道的道路地图(22)的方法，所述方法具有以下步骤：
提供数字的精确到行车道的道路地图(14)，所述数字的精确到行车道的道路地图用于描述至少一个道路(17)的道路走向；
提供轨迹数据集(16)，所述轨迹数据集具有交通参与者的沿着所述至少一个道路(17)的多个轨迹数据(27)；
在将所述精确到行车道的道路地图(14)分割成至少一个道路部段(26)的情况下，辨识所述至少一个道路(17)；
其特征在于，所述方法还具有以下步骤：
在至少一个道路模型(28)中对所述道路部段(26)进行建模；
其中，所述道路模型(28)具有多个参数(L，W，G，C)，所述多个参数用于几何地和/或拓扑地描述所述道路(17)的车道(23)；
通过随机地选择所述道路模型(28)的用于改变参数值的改变操作(40，41，42，43，44，46，48，50)，随机地改变、尤其多次随机地改变所述道路模型(28)的所述参数(L，W，G，C)的至少一部分的参数值；
在针对所述道路模型(28)求取至少一个概率值的情况下，将所述轨迹数据集(16)的轨迹数据(27)的至少一部分分配给所述道路模型(28)，其中，所述概率值与通过所述道路模型(28)对所述轨迹数据(27)的映射的品质相关；
基于所求取的至少一个概率值，求取所述道路模型(28)的参数(L，W，G，C)的至少一部分的最佳参数值；
基于所述道路模型(28)的最佳参数值来创建精确到车道的道路地图(22)。
2.根据权利要求1所述的方法，其中，基于蒙特卡洛方法、尤其基于可逆跳跃马尔可夫链蒙特卡洛方法来求取所述最佳参数值。
3.根据权利要求1或2所述的方法，其中，所述道路模型(28)具有至少一个道路块(32)，所述至少一个道路块用于对至少在所述道路部段(26)的部分区域中的数量恒定的车道(23)进行建模；和/或
其中，所述道路模型(28)具有至少一个连接块(30)，所述至少一个连接块用于基于至少一个几何参数矩阵(RGL，RGR)和至少一个拓扑参数矩阵(RTL，RTR)对至少在所述道路部段(26)的部分区域中的数量发生改变的车道(23)进行建模；
其中，所述几何参数矩阵(RGL，RGR)的值描述所述道路部段(26)内的车道数量(L)的变化；
其中，所述拓扑参数矩阵(RTL，RTR)的值描述所述道路部段(26)内的各个车道(23)之间的连接。
4.根据以上权利要求中任一项所述的方法，其中，在所述道路模型(28)中对所述道路部段(26)进行建模的步骤具有以下部分步骤：
以单位间隔对所述道路部段(26)进行参数化，使得所述道路部段(26)中的道路(17)的每个点通过所述单位间隔中的参数化值所设定；
将所述道路部段(26)分割成所述道路模型(28)的至少一个道路块(32)和至少一个连接块(30)；
基于所述连接块(30)的至少一个几何参数矩阵(RGL，RGR)，对所述道路部段(26)内的车道(23)的消失或产生进行建模；
基于所述连接块(30)的至少一个拓扑参数矩阵(RTL，RTR)，对所述道路部段内的各个车道的连接进行建模；
基于随机地选择所述道路模型(28)的改变操作(40，41，42，43，44，46，48，50)，求取所述几何参数矩阵(RGL，RGR)的值和/或所述拓扑参数矩阵(RTL，RTR)的值。
5.根据以上权利要求中任一项所述的方法，其中，所述数字的精确到行车道的道路地图(14)具有至少一个交叉路口(19)以及与所述交叉路口(19)连接的多个道路(17)，其中，所述方法还具有：
在将所述精确到行车道的道路地图(14)分割成至少一个交叉路口部段(19a)的情况下，辨识所述至少一个交叉路口(19)；
在至少一个交叉路口模型(34)中对所述交叉路口部段(19a)进行建模；
其中，所述交叉路口模型(34)具有多个参数(L，W，G，C)，所述多个参数用于几何地和/或拓扑地描述所述交叉路口(19)的车道(23)；
通过随机地选择所述交叉路口模型(34)的用于改变参数值的改变操作(40，41，42，43，44，46，48，50)，随机地改变、尤其多次随机地改变所述交叉路口模型(34)的参数的至少一部分的参数值；
在针对所述交叉路口模型求取至少一个概率值的情况下，将所述轨迹数据集(16)的所述轨迹数据(27)的至少一部分分配给所述交叉路口模型(34)，
其中，所述概率值与通过所述交叉路口模型(34)对所述轨迹数据(27)的映射的品质相关；
基于所求取的至少一个概率值，求取所述交叉路口模型(34)的参数(L，W，G，C)的至少一部分的最佳参数值；
基于所述交叉路口模型(34)的最佳参数值，创建精确到车道的道路地图(22)。
6.根据权利要求5所述的方法，其中，所述交叉路口模型(34)具有外交叉路口模型(36)，所述外交叉路口模型用于基于距离参数(d)和角度参数(a)来对所述交叉路口(19)的可行驶的交叉路口区域(37)进行建模；和/或
其中，在所述交叉路口模型(34)中对所述交叉路口部段(19a)进行建模的步骤具有以下部分步骤：
在所述精确到行车道的道路地图(14)中求取交叉路口节点(35)；
在求取与所述交叉路口(19)连接的道路(17)的数量的情况下，求取所述精确到行车道的道路地图(14)的与所述交叉路口节点(35)连接的棱边(13)的数量；
生成如下数量的交叉臂(A1-A4)：所述数量相应于与所述交叉路口连接的道路(17)的数量，其中，所述交叉臂(A1-A4)中的每个通过距离参数(d)定义，所述距离参数用于说明所述交叉路口(19)的中心至所述交叉路口(19)的边界区域的沿着相应的交叉臂(A1-A4)的距离；
其中，所述交叉臂(A1-A4)中的每个通过角度参数(a)定义，所述角度参数用于说明相应的交叉臂(A1-A4)与参考方向之间的旋转角。
7.根据权利要求5或6所述的方法，其中，所述交叉路口模型(34)具有内交叉路口模型(38)，所述内交叉路口模型用于基于所述交叉路口模型(34)的因子矩阵(F)对驶入所述交叉路口(19)的车道(23)、驶出所述交叉路口(19)的车道(23)以及所述交叉路口(19)的交叉路口区域(37)上的车道(23)的走向进行建模；和/或，其中，在所述交叉路口模型(34)中对所述交叉路口部段(19a)进行建模的步骤具有以下部分步骤：
基于因子矩阵(F)对驶入所述交叉路口(19)的车道(23)的至少一部分、驶出所述交叉路口(19)的车道(23)的至少一部分以及在所述交叉路口(19)的交叉路口区域(37)上引导的车道(23)的至少一部分的走向进行建模，其中，所述因子矩阵(F)的值描述在所述交叉路口区域(37)上的车道(23)的走向和连接；
基于所述轨迹数据集(16)的轨迹数据(27)的至少一部分求取所述因子矩阵(F)的值。
8.根据以上权利要求中任一项所述的方法，其中，所述道路模型(28)和/或交叉路口模型(34)分别具有数量参数(L)、宽度参数(W)、曲率参数(C)和距离参数(G)，所述数量参数用于描述所述车道(23)的数量，所述宽度参数用于描述各个车道(23)的宽度，所述曲率参数用于描述道路(17)的曲率，所述距离参数用于描述行驶方向相反的车道(23)之间的距离。
9.根据以上权利要求中任一项所述的方法，其中，所述道路模型(28)和/或交叉路口模型(34)具有从由以下各项构成的列表中选择的至少一个改变操作(40，41，42，43，44，46，48，50)：插入操作(40)、合并操作(41)、匹配操作(42)、添加操作(43)、移除操作(44)、距离匹配操作(46)、宽度匹配操作(48)和曲率匹配操作(50)，所述插入操作用于将连接块(30)插入到道路块(32)中，所述合并操作用于将两个道路块(32)和一个连接块(30)合并成一个道路块(32)，所述匹配操作用于匹配参数化值，所述参数化值用于对道路(17)的纵向延伸进行参数化；所述添加操作用于添加车道(23)，所述移除操作用于移除车道(23)，所述距离匹配操作用于匹配行驶方向相反的车道(23)之间的距离，所述宽度匹配操作用于匹配车道(23)的宽度，所述曲率匹配操作用于匹配道路(17)的曲率。
10.根据以上权利要求中任一项的方法，所述方法还具有：
基于评估指标放弃或采纳基于改变操作的随机选择而随机改变的参数值，所述评估指标描述通过所述道路模型(28)和/或交叉路口模型(34)对所述轨迹数据(27)的映射的品质；
其中，所述评估指标具有第一项，所述第一项用于描述所述轨迹数据(27)与所述道路模型(28)和/或与所述交叉路口模型(34)之间的一致性；
其中，所述评估指标具有第二项，所述第二项用于考虑道路几何特性的至少一个预先确定的特征参量——尤其关于车道宽度和/或道路宽度的特征参量。
11.一种数据处理设备(10)，其用于基于数字的精确到行车道的道路地图(14)来求取精确到车道的道路地图(22)，
其中，所述数据处理设备(10)设置用于实施根据以上权利要求中任一项所述的方法。
12.根据权利要求11所述的数据处理设备(10)，其中，所述数据处理设备(10)具有数据存储器(12)和处理器(18)，所述数据存储器用于存储数字的精确到行车道的道路地图(14)。
CN201880036146.8A 2017-06-01 2018-03-23 用于创建精确到车道的道路地图的方法和设备 Pending CN111065893A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102017209346.3A DE102017209346A1 (de) 2017-06-01 2017-06-01 Verfahren und Vorrichtung zur Erstellung einer fahrspurgenauen Straßenkarte
DE102017209346.3 2017-06-01
PCT/EP2018/057506 WO2018219522A1 (de) 2017-06-01 2018-03-23 VERFAHREN UND VORRICHTUNG ZUR ERSTELLUNG EINER FAHRSPURGENAUEN STRAßENKARTE

Publications (1)

Publication Number Publication Date
CN111065893A true CN111065893A (zh) 2020-04-24

Family

ID=61768328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880036146.8A Pending CN111065893A (zh) 2017-06-01 2018-03-23 用于创建精确到车道的道路地图的方法和设备

Country Status (7)

Country Link
US (1) US20200132476A1 (zh)
EP (1) EP3631364A1 (zh)
JP (1) JP2020524295A (zh)
KR (1) KR20200012960A (zh)
CN (1) CN111065893A (zh)
DE (1) DE102017209346A1 (zh)
WO (1) WO2018219522A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111540010A (zh) * 2020-05-15 2020-08-14 百度在线网络技术（北京）有限公司 一种道路监测的方法、装置、电子设备及存储介质
CN111612854A (zh) * 2020-06-30 2020-09-01 滴图(北京)科技有限公司 实景地图的生成方法、装置、计算机设备和存储介质
CN113465613A (zh) * 2021-07-22 2021-10-01 全图通位置网络有限公司 一种城市轨道交通中隧道网络定位的地图匹配优化方法
CN113763522A (zh) * 2021-09-18 2021-12-07 腾讯科技（深圳）有限公司 地图渲染方法、装置、设备和介质
CN114088107A (zh) * 2021-11-25 2022-02-25 北京百度网讯科技有限公司 数据处理方法、装置、设备和介质
CN114495489A (zh) * 2021-12-30 2022-05-13 中智行(上海)交通科技有限公司 一种路口车道拓扑连接关系生成方法

Families Citing this family (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6941178B2 (ja) * 2017-09-29 2021-09-29 日立Astemo株式会社 自動運転制御装置及び方法
US10895460B2 (en) * 2017-11-06 2021-01-19 Cybernet Systems Corporation System and method for generating precise road lane map data
CN111383450B (zh) * 2018-12-29 2022-06-03 阿里巴巴集团控股有限公司 一种交通路网的描述方法及装置
DE102019102922A1 (de) * 2019-02-06 2020-08-06 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zur Multi-Sensor-Datenfusion für automatisierte und autonome Fahrzeuge
US11200431B2 (en) * 2019-05-14 2021-12-14 Here Global B.V. Method and apparatus for providing lane connectivity data for an intersection
DE102019114190A1 (de) * 2019-05-27 2020-12-03 Zf Automotive Germany Gmbh Datenträger, Verfahren zum automatisierten Steuern eines Fahrzeugs sowie Verfahren zum Generieren eines Datenträgers
CN112148811B (zh) * 2019-06-26 2023-01-10 陕西汽车集团股份有限公司 一种车载gps轨迹路径压缩方法
DE102019209226A1 (de) * 2019-06-26 2020-12-31 Volkswagen Aktiengesellschaft Verfahren, Computerprogramm und Vorrichtung zur Verarbeitung von durch ein Kraftfahrzeug erfassten Daten
DE102019209711A1 (de) 2019-07-02 2021-01-07 Volkswagen Aktiengesellschaft Verfahren, Computerprogramm und Vorrichtung zur Verarbeitung von durch ein Kraftfahrzeug erfassten Daten, sowie zum Bereitstellen von Parametern für eine solche Verarbeitung
US11781875B2 (en) * 2019-08-21 2023-10-10 Toyota Motor Engineering & Manufacturing North America, Inc. Apparatus and method for forming and analyzing connected roads
US11499833B2 (en) * 2019-09-25 2022-11-15 GM Global Technology Operations LLC Inferring lane boundaries via high speed vehicle telemetry
CN110795805A (zh) * 2019-10-09 2020-02-14 中山大学 一种精细化交叉口几何拓扑构建方法及系统
DE102019215656B4 (de) * 2019-10-11 2021-07-22 Zf Friedrichshafen Ag Verfahren zum Bewerten einer ausgewählten Route, Routenbewertungssystem und Computerprogramm
CN110909711B (zh) * 2019-12-03 2022-08-02 阿波罗智能技术(北京)有限公司 检测车道线位置变化的方法、装置、电子设备和存储介质
DE102020200169B3 (de) 2020-01-09 2021-06-10 Volkswagen Aktiengesellschaft Verfahren zur Zusammenführung mehrerer Datensätze für die Erzeugung eines aktuellen Spurmodells einer Fahrbahn und Vorrichtung zur Datenverarbeitung
CN113405558B (zh) * 2020-02-29 2024-04-09 华为技术有限公司 自动驾驶地图的构建方法及相关装置
US11443465B2 (en) * 2020-03-24 2022-09-13 Here Global B.V. Method, apparatus, and computer program product for generating turn paths through an intersection
CN111653088B (zh) * 2020-04-21 2022-02-01 长安大学 一种车辆出行量预测模型构建方法及预测方法和系统
DE102020209444A1 (de) 2020-07-27 2022-01-27 Zf Friedrichshafen Ag Kartierung von Verkehrswegen in unbefestigtem Gelände
JP7471184B2 (ja) 2020-09-23 2024-04-19 株式会社日本総合研究所 プログラム、情報処理方法および情報処理装置
JP7474667B2 (ja) 2020-09-23 2024-04-25 株式会社日本総合研究所 プログラム、情報処理方法、道路インフラ整備方法および情報処理装置
JP7471185B2 (ja) 2020-09-23 2024-04-19 株式会社日本総合研究所 プログラム、情報処理方法および情報処理装置
KR102244237B1 (ko) * 2020-10-22 2021-04-26 주식회사 그린블루 차선 정밀도로지도의 작성이 가능한 정밀도로지도 구축시스템
CN112364847A (zh) * 2021-01-12 2021-02-12 深圳裹动智驾科技有限公司 基于个例大数据的自动驾驶预测方法和计算机设备
FR3120690B1 (fr) * 2021-03-15 2023-02-10 Psa Automobiles Sa Procédé et dispositif de détermination d’une fiabilité d’une cartographie base définition.
CN113155141A (zh) * 2021-04-09 2021-07-23 阿波罗智联(北京)科技有限公司 地图的生成方法、装置、电子设备及存储介质
CN113139258B (zh) * 2021-04-28 2024-01-09 北京百度网讯科技有限公司 道路数据处理方法、装置、设备及存储介质
CN113188550B (zh) * 2021-05-17 2021-12-07 紫清智行科技(北京)有限公司 循迹自动驾驶车辆的地图管理与路径规划方法及系统
KR20220146661A (ko) * 2021-06-29 2022-11-01 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 차도 레벨 내비게이션 지도 구축 방법, 장치, 기기 및 저장 매체
US20230099772A1 (en) * 2021-09-29 2023-03-30 Waymo Llc Lane search for self-driving vehicles
DE102021211466A1 (de) 2021-10-12 2023-04-13 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Generieren einer Straßenkarte für Fahrzeuge mit integrierter Geschwindigkeitsinformation
CN114387410B (zh) * 2021-12-10 2023-03-24 阿波罗智能技术(北京)有限公司 道路数据融合的地图生成方法、装置以及电子设备
CN114360261B (zh) * 2021-12-30 2023-05-19 北京软通智慧科技有限公司 车辆逆行的识别方法、装置、大数据分析平台和介质
DE102022200057A1 (de) 2022-01-05 2023-07-06 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Anreichern einer digitalen Karte für ein wenigstens teilautomatisiertes Fahrzeug mit Informationen betreffend Routenänderungen
DE102022101542A1 (de) 2022-01-24 2023-07-27 Bayerische Motoren Werke Aktiengesellschaft Vorrichtung und Verfahren zur Ermittlung eines Referenzverlaufs
DE102022101540A1 (de) 2022-01-24 2023-07-27 Bayerische Motoren Werke Aktiengesellschaft Vorrichtung und Verfahren zur Ermittlung eines Referenz-Fahrpfads für einen Fahrbahnabschnitt
DE102022001568B3 (de) 2022-05-04 2023-09-28 Mercedes-Benz Group AG Verfahren zur Modellierung von Fahrspurbegrenzungen
DE102022207651B4 (de) 2022-07-26 2024-10-17 Volkswagen Aktiengesellschaft Erstellen eines logischen Wegenetzes in Parkräumen
DE102022207902A1 (de) 2022-08-01 2024-02-01 Volkswagen Aktiengesellschaft Verfahren zum Betrieb eines Fahrerassistenzsystems für einen assistierten Spur-wechselvorgang eines Kraftfahrzeugs
KR20240023908A (ko) 2022-08-16 2024-02-23 (주)뷰런테크놀로지 이동체의 이동 경로를 이용한 차선 검출 방법 및 장치
US11727164B1 (en) * 2022-09-21 2023-08-15 Embark Trucks Inc. Three-dimensional road geometry estimation

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101218486A (zh) * 2005-07-22 2008-07-09 特拉戈公司 用于对道路网图进行建模的方法、装置及系统
CN101290725A (zh) * 2007-04-17 2008-10-22 株式会社日立制作所 数字道路地图的生成方法和地图生成系统
WO2010040401A1 (en) * 2008-10-08 2010-04-15 Tomtom International B.V. A system and method for determining road attributes
US20160102986A1 (en) * 2014-10-10 2016-04-14 Here Global B.V. Apparatus and associated methods for use in lane-level mapping of road intersections
DE112014004990T5 (de) * 2013-10-31 2016-07-14 Toyota Motor Engineering & Manufacturing North America Inc. Verfahren zum Erzeugen exakter Fahrspurebenen-Karten

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3498310B2 (ja) * 2001-04-23 2004-02-16 株式会社日立製作所 道路地図作成システム
JP4370869B2 (ja) * 2003-09-25 2009-11-25 トヨタ自動車株式会社 地図データ更新方法および地図データ更新装置
US20130278441A1 (en) * 2012-04-24 2013-10-24 Zetta Research and Development, LLC - ForC Series Vehicle proxying
WO2014080622A1 (ja) * 2012-11-21 2014-05-30 パナソニック株式会社 複合材料中の繊維状フィラーの３次元画像処理方法および３次元画像処理装置
US9170116B1 (en) * 2014-07-11 2015-10-27 Toyota Motor Engineering & Manufacturing North America, Inc. Method for generating accurate lane level maps
US10013508B2 (en) * 2014-10-07 2018-07-03 Toyota Motor Engineering & Manufacturing North America, Inc. Joint probabilistic modeling and inference of intersection structure
DE102015000399B4 (de) * 2015-01-13 2019-08-29 Audi Ag Kartographieren von Fahrspuren mittels Fahrzeugflottendaten

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101218486A (zh) * 2005-07-22 2008-07-09 特拉戈公司 用于对道路网图进行建模的方法、装置及系统
CN101290725A (zh) * 2007-04-17 2008-10-22 株式会社日立制作所 数字道路地图的生成方法和地图生成系统
WO2010040401A1 (en) * 2008-10-08 2010-04-15 Tomtom International B.V. A system and method for determining road attributes
DE112014004990T5 (de) * 2013-10-31 2016-07-14 Toyota Motor Engineering & Manufacturing North America Inc. Verfahren zum Erzeugen exakter Fahrspurebenen-Karten
US20160102986A1 (en) * 2014-10-10 2016-04-14 Here Global B.V. Apparatus and associated methods for use in lane-level mapping of road intersections

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111540010A (zh) * 2020-05-15 2020-08-14 百度在线网络技术（北京）有限公司 一种道路监测的方法、装置、电子设备及存储介质
CN111540010B (zh) * 2020-05-15 2023-09-19 阿波罗智联(北京)科技有限公司 一种道路监测的方法、装置、电子设备及存储介质
CN111612854A (zh) * 2020-06-30 2020-09-01 滴图(北京)科技有限公司 实景地图的生成方法、装置、计算机设备和存储介质
CN111612854B (zh) * 2020-06-30 2021-02-12 滴图(北京)科技有限公司 实景地图的生成方法、装置、计算机设备和存储介质
CN113465613A (zh) * 2021-07-22 2021-10-01 全图通位置网络有限公司 一种城市轨道交通中隧道网络定位的地图匹配优化方法
CN113465613B (zh) * 2021-07-22 2023-12-26 全图通位置网络有限公司 一种城市轨道交通中隧道网络定位的地图匹配优化方法
CN113763522A (zh) * 2021-09-18 2021-12-07 腾讯科技（深圳）有限公司 地图渲染方法、装置、设备和介质
CN114088107A (zh) * 2021-11-25 2022-02-25 北京百度网讯科技有限公司 数据处理方法、装置、设备和介质
CN114088107B (zh) * 2021-11-25 2024-08-06 北京百度网讯科技有限公司 数据处理方法、装置、设备和介质
CN114495489A (zh) * 2021-12-30 2022-05-13 中智行(上海)交通科技有限公司 一种路口车道拓扑连接关系生成方法
CN114495489B (zh) * 2021-12-30 2023-07-25 中智行(上海)交通科技有限公司 一种路口车道拓扑连接关系生成方法

Also Published As

Publication number Publication date
EP3631364A1 (de) 2020-04-08
DE102017209346A1 (de) 2019-01-10
JP2020524295A (ja) 2020-08-13
WO2018219522A1 (de) 2018-12-06
KR20200012960A (ko) 2020-02-05
US20200132476A1 (en) 2020-04-30

Similar Documents

Publication Publication Date Title
CN111065893A (zh) 用于创建精确到车道的道路地图的方法和设备
CN106104656B (zh) 地图信息生成系统、方法及程序
US10480954B2 (en) Vehicle routing guidance to an authoritative location for a point of interest
Raymond et al. Map matching with hidden Markov model on sampled road network
CN106227726B (zh) 一种基于车辆轨迹数据的路径提取方法
CN110220521B (zh) 一种高精地图的生成方法和装置
CN105335597B (zh) 用于获取路线的轨迹模式的方法和系统
CN114450557B (zh) 路线偏差量化及基于此的车辆路线学习
EP3093620B1 (en) System and method for detecting roundabouts from probe data using vector fields
Zhao et al. A deep inverse reinforcement learning approach to route choice modeling with context-dependent rewards
Knapen et al. Likelihood-based offline map matching of GPS recordings using global trace information
CN107084735A (zh) 适用于减少冗余导航的导航路径框架
CN113191550A (zh) 地图匹配方法及装置
WO2021071422A1 (en) Method, data processing apparatus and computer program product for determining road intersections
CN113514072B (zh) 一种面向导航数据与大比例尺制图数据的道路匹配方法
CN113903173A (zh) 一种基于有向图结构和lstm的车辆轨迹特征提取方法
Blazquez et al. An instance-specific parameter tuning approach using fuzzy logic for a post-processing topological map-matching algorithm
Roeth et al. Extracting lane geometry and topology information from vehicle fleet trajectories in complex urban scenarios using a reversible jump MCMC method
Behr et al. Map matching for semi-restricted trajectories
CN115979299A (zh) 基于地图数据转换的精度检查方法及装置
KR102244237B1 (ko) 차선 정밀도로지도의 작성이 가능한 정밀도로지도 구축시스템
CN115183789A (zh) 一种导航路线的确定方法及装置
Mao et al. An adaptive localization system for image storage and localization latency requirements
Sunderrajan et al. Map stream: initializing what-if analyses for real-time symbiotic traffic simulations
CN114646313A (zh) 一种用户轨迹定位方法、电子设备及计算机存储介质

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200424

WD01 Invention patent application deemed withdrawn after publication