CN111081063B - 创建观察数据、求取车道数量的方法及相关的系统、服务器单元和控制器 - Google Patents
创建观察数据、求取车道数量的方法及相关的系统、服务器单元和控制器 Download PDFInfo
- Publication number
- CN111081063B CN111081063B CN201911004840.4A CN201911004840A CN111081063B CN 111081063 B CN111081063 B CN 111081063B CN 201911004840 A CN201911004840 A CN 201911004840A CN 111081063 B CN111081063 B CN 111081063B
- Authority
- CN
- China
- Prior art keywords
- server unit
- lane
- road
- lanes
- external server
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000003550 marker Substances 0.000 description 3
- 238000011065 in-situ storage Methods 0.000 description 2
- 206010028896 Needle track marks Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/10—Path keeping
- B60W30/12—Lane keeping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- 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
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/056—Detecting movement of traffic to be counted or controlled with provision for distinguishing direction of travel
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
- B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明涉及一种用于尤其通过至少一个车辆创建观察数据的方法、其中，行驶的道路区段通过所述车辆进行求取，所述道路区段的被所述车辆行驶的车道由所述车辆进行求取，将求得的道路区段与求得的行驶车道作为观察数据被所述车辆传送给外部服务器单元。此外，本发明涉及一种用于求取车道数量的方法、一种系统、一种外部服务器单元以及一种控制器。
Description
技术领域
本发明涉及一种用于创建观察数据的方法、一种用于求取车道数量的方法、一种用于收集关于道路的数据的系统、一种外部服务器单元以及一种控制器。
背景技术
已知一种在遵守车道方面支持驾驶员的驾驶员辅助系统。在此，由所述系统通过自身车道定位来识别当前被车辆行驶的车道并且例如在意外地离开车道之前警告驾驶员。
此外，已知通过对传感器数据的解释根据地理特性来求取一条道路的全部车道的方法。这类方法对车辆的整个周围环境进行分析评价并且为此需要复杂的分析算法。为了分析整个周围环境，产生相对较大的数据量。此外，在这类方法中需要高度准确且费事的定位机构。
当前已知且已使用的用于生成精确到车道的道路地图的方法与高人工费用相关。此外，所使用的车辆使用专用的、通常成本高的硬件用于记录周围环境。
发明内容
本发明所基于的任务可以被看作是，提出一种方法和一种系统，所述方法和系统能够以尽可能低的费用确定道路区段的车道数量。
该任务借助本发明的对应的保护主题解决。本发明的有利构型是对应的进一步保护的主题的内容。
根据本发明的一个方面，提供一种用于尤其通过至少一个车辆创建观察数据的方法。通过所述车辆求取所行驶的道路区段并且由所述车辆求取该道路区段的被所述车辆行驶的车道。将求得的道路区段与求得的行驶车道作为观察数据从所述车辆传送给外部服务器单元。
根据本发明的另一方面，提供一种用于通过至少一个车辆的观察求取车道数量的方法。由所述车辆求得的道路区段与所求得的行驶车道作为观察数据被外部服务器单元接收。基于传送的观察数据由外部服务器单元确定至少一个道路区段的可行驶车道的数量并且作为信息配属给数字地图。
根据本发明的另一方面，提供一种用于收集关于道路的数据的系统。所述系统具有至少一个外部服务器单元和至少两个车辆，其中，所述车辆具有控制器。所述控制器能够与用于实施自身车道定位的至少一个传感器和与用于将信息传送给外部服务器单元的通信单元连接。所述系统优选设置为用于实施本发明的方法。
根据本发明的另一方面，提供一种用于接收和分析评价观察数据的外部服务器单元，其中，所述外部服务器单元设置为用于实施所述用于通过至少一个车辆的观察求取车道数量的方法。
根据本发明的另一方面，提供一种尤其用于车辆的控制器。所述控制器能够与用于实施自身车道定位的至少一个传感器并且与至少一个通信单元连接。所述控制器设置为用于实施一种用于创建观察数据的方法。
通过所述用于创建观察数据、用于通过至少一个车辆的观察求取车道数量的方法并且通过所述系统，可以将由车辆进行的观察以最小的技术费用用于更新或创建数字道路地图。基于大量观察尤其可以确定道路的车道数量并且存储在数字道路地图中。为此，由每个车辆检查：在可能的车道中的哪个车道上所述车辆位于道路区段上。数字地图的道路可以通过均匀的或不均匀的区段被划分，其中，为每个道路区段配属信息。道路区段例如可以具有限定的长度或者通过显著点、例如路口或标志牌被限界。随着车辆数量增加，在统计学上所有可能的行车道也被这些车辆驶过并从而被探测。借助通过所述车辆辨识相应的车道并且将该信息传送给外部服务器单元，可以在服务器单元中探测道路区段的所有可行驶的道路。车辆的这些观察能够以传感器数据的形式或以数据包的形式传送给服务器单元。优选地，这些车辆为此可以利用无线通信连接，例如WLAN、GSM、UMTS、LTE等。
所述方法可以全自动化地实施并从而能够实现，根据由车队实施的观察的集合进行精确到车道的数字道路地图的更新和创建。尤其可以根据车队的一系列观察实现数字道路地图的属性的自动生成。所述属性例如可以是道路区段的车道数量和在该道路区段上将各个车道彼此分隔开的车道标记的类型。
车队的观察例如可以包含所行驶的道路区段的序列和沿着该道路区段所使用的车道。这些观察可以被能够精确到车道地在道路地图上被定位并且例如具有摄像机的每个车辆实施。
基于对传送给服务器单元的观察数据的统计学分析评价，所述方法以对单个车辆的有误差的观察宽容的方式实施。
根据一个实施例，通过至少两个车辆的自身车道估计求取分别沿着道路区段被驶过的车道，其中，自身车道估计通过至少两个车辆的基于摄像机的系统实施。如果为此仅使用一个摄像机，所述方法可以在技术上特别简单地构型。更优选，这类摄像机可以已经安装在车辆中，例如倒车摄像机。尤其是，所述车辆为了实施观察仅需要精确到车道的自定位可行性和一个摄像机。这些前提条件越来越多地被批量车辆满足，由此避免专门制造。在此，摄像机可以是对准前方的和/或是对准尾部的并且不具有对图像质量的要求。这类车辆持久地实施观察并且报告给外部服务器单元，由此可以使精确到车道的道路地图以高速率更新。
根据另一实施例，求取所述至少两个车辆的右侧和左侧的车道标记的数量和/或类型并且将其以观察数据的形式传送给外部服务器单元。除了对应的精确到车道的自身定位以外，所述车辆可以附加地求取在侧面限界道路或道路的车道标记。由此，车道标记可以作为附加信息被引入到观察数据中，由此，外部服务器单元的分析可以得到基于配属给所述车道的车道标记的进一步信息并且可以配属给道路地图。
根据另一实施例，在一个道路区段之后或在完成一次行驶之后，所行驶的道路区段连同相应的车道在原地被传送给外部服务器单元。由此，所述方法可以特别灵活地构造。如果车辆的已实施的观察在完成一次行驶之后或在一个限定的时间之后被发送给服务器单元，则所建立的连接的数量可以降低。而如果观察数据立即或在原地被传送给服务器单元，则道路地图的更新可以实时进行。
根据另一实施例，根据观察数据在外部服务器单元中对每个道路区段创建观察矩阵。观察矩阵具有可行驶的车道和配属于至少两个车道的车道标记类型的统计学分布。由此，数字地图中的应以车道信息来标注的每个道路根据其长度被划分成道路区段。根据大量已传送的观察数据，给每个道路区段配属一个观察矩阵，该观察矩阵具有可能的或可行驶的车道连同相应的两侧车道边界或标记的统计学分布。由此，可以通过服务器单元实施按照道路区段的分析，所述分析在技术上能简单地实施。
根据另一实施方式，外部服务器单元具有已学习的神经元网络，其中，每个观察矩阵通过神经元网络被分析并且被分配给车道类别。对各个观察矩阵的分析可以通过服务器单元的神经元网络进行。由此可以提供一种稳健且快速的分析评价统计数据可能性。尤其可以这样地训练神经元网络，使得该神经元网络对于单个车辆的观察误差是不敏感的。因此，外部服务器单元不但能够以高速率操控有误差的、精确到车道的定位，而且高效地操控有误差地识别的车道标记。
神经元网络尤其可以用于将对应的观察矩阵配属到道路类别中，在所述道路类别上由所述车辆进行这些观察。这种道路类别中的每个单一地描述道路如何能够被划分成具有不同车道标记的车道的一种可行性。如果道路区段的道路类别是已知的，则可以将关于车道数量和车道标记类型的相应特性接纳到数字地图中。
根据另一实施例，通过神经元网络从观察矩阵中去除测量误差。由此，替代忽略或忽视误差，神经元网络可以被设置为用于排除存储在观察矩阵中的有误差的观察。这类有误差的观察例如可以在四车道的道路情况下是第五或第六车道或者可以是错误的道路边界。在此，神经元网络可以具有输出层，所述输出层具有与输入层相同的解释，由此，所述神经元网络被用于从观察矩阵中去除测量误差。
根据另一实施例，道路被划分为相等长度或不同长度的道路区段。由此，道路可以被灵活地划分成道路区段。根据情况而定，从一个路口到下一个路口进行区段划分或通过标志牌或显著点进行划分是有利的，因为由此减少道路区段的数量。通过服务器单元的分析评价可以因此被加速。
附图说明
下面参照强烈简化的示意图详细阐明本发明的优选实施例。在此示出：
图1根据本发明的一个实施方式的系统的示意图，
图2用于说明根据本发明的一个实施方式的方法的示意图，
图3针对道路区段的示例性观察矩阵，和
图4示意性的道路区段，针对该道路区段借助根据图3的由车辆进行的观察创建观察矩阵。
在附图中，相同的结构元件分别具有同样的附图标记。
具体实施方式
在图1中示出根据本发明的一个实施方式的系统1的示意图。系统1具有多个车辆2，这些车辆将观察数据传送给外部服务器单元4。
车辆2具有基于摄像机的测量设备6。测量设备6以具有相应的操控装置的前侧摄像机的形式构造。测量设备6与控制器8传导数据地连接。
控制器8具有集成的GPS传感器，所述GPS传感器与所述测量设备6一起用于精确到车道的自身定位。
车辆2通过测量设备6可以识别在车辆2的左侧和右侧在车道上布置有哪些车道标记。借助GPS传感器和/或基于求得的车道标记可以评价车辆2当前位于哪个车道上。车道标记优选可以通过对测量设备6的视频数据或图像数据的分析评价来进行。测量设备6为此可以是基于摄像机的测量设备6。此外，车辆2可以求取当前行驶的或已经走过的道路区段。
测量设备6的和控制器8的所求得的测量数据可以作为观察数据经由无线的通信连接10发送给外部服务器单元。在此，控制器8的通信单元12建立与服务器单元4的通信单元14的通信连接10。
由多个车辆2传送的观察数据在处理单元16中被变换为根据道路区段特定的观察矩阵并且接着被神经元网络18分析。神经元网络18的结果可以由外部服务器单元4配属给数字道路地图20。
图2示出用于说明根据本发明的一个实施方式的方法22的示意图。
每个车辆2记录23被这个车辆2驶过的路程。为此，针对行驶通过的道路序列分别记录：车辆2位于哪个车道上。车辆2例如可以由车载地图知道这些道路。关于车辆2在哪个车道上经过所述道路的信息可以通过自身车道估计来实现。此外，车道变换可以被控制器8记录。车辆2经由测量设备6可以求取：在车辆2的两侧存在哪些车道标记。自身车道估计例如可以经由GPS数据和/或通过对例如由基于摄像机的测量设备6所记录的视频数据或图像数据进行分析评价来实现。
自身车道估计以及车道标记识别可能是有误差的。被车辆2记录的相应的有误差的道路区段具有所有求得的观察数据R。观察数据R尤其可以具有所有可行驶的道路区段的集合P、道路区段的所有可能的车道的集合S、可能的地理位置G和可能的车道标记M。由此适用以下关系：
R∈(P×S×G×M×M)
车道标记M在这里被双重考虑，使得在可能的左侧和右侧车道标记之间进行区分。可能的轨迹标记M例如可以实线、虚线、彩色实线等。地理位置G可以以WGS85坐标的形式实施。
例如基于可能的、有误差的、精确到车道的路线r的下述观察数据
r＝((p0，s0，g0，m1,1，m1,2)
(p0，s1，g1，m2,1，m2,2)
(p1，s2，g2，m1,3，m1,3)
(p1，s3，g3，m4,1，m4,2))
可以推断出，车辆2在g0处在道路p0上利用车道s0并且在g1处在道路p0上从车道S0向车道S1变换。接着在g2处从道路p0车道s1变换到道路p1车道s2上并且在g3处在p1上从车道s2向车道s3行驶。在此，在(p0，s0)上将m1,1识别为左侧标记并且将m1,2识别为右侧标记，对于(p0，s1)识别m2,1和m2,2。在此满足p0，p1∈P，s0，s1，s2，s3∈S，g0，g1，g2，g3∈G，以及mi,1，mi,2∈M。
这些观察数据R接着被车辆2传送24给外部服务器单元4。观察数据R可以被收集在服务器单元4中。服务器单元4具有电子道路地图20。在此，道路地图20既不必是实时的，也不必具有关于道路的信息。通过该方法22可以自动化地生成关于道路地图20的车道的相关信息。
数字地图20中的应以车道信息被标注的每个道路在其纵向方向上被划分25成道路区段。所述道路区段例如可以具有15m的长度。在此，道路区段也可以具有根据状况适配的长度。
接着，针对这些道路区段中的每个道路区段按道路区段方式提取观察数据并且将其变换26成观察矩阵B。观察数据R例如可以具有多个元素r1，...，rm∈R，其中例如m＝10000，其中，这些元素r描述相应道路区段上的观察。来自每个道路区段的信息形成自己的观察矩阵。
在此，每个观察矩阵具有项Bi,j。观察矩阵B的这些项描述车道-车道标记组合(i，j)在观察中出现的频度。在图3中示出这种观察矩阵B。该观察矩阵尤其示出被车辆2辨识到的呈数字形式的车道S和在两侧辨识到的车道标记M。
在图3中示出的观察矩阵B由在图4中示意性地示出的道路区段21求取。道路区段21构造为六车道的道路。
观察矩阵B接着被神经元网络8分析27，所述神经元网络将这些观察配属于多个类别之一。这些类别中的每个类别描述了道路如何能够被明确地划分成具有不同车道标记M的车道S的一种可行性。如果已知道路区段21的类别，则可以将关于车道数量和车道标记类型的相应特性接纳28到数字地图20中。
通过神经元网络18可以在输入观察矩阵B时输出相应的道路类别，在该道路类别上进行了这些观察。最终存在多个道路类别，其中，每个道路类别描述了车道标记的一种对应的组合。
所使用的神经元网络18可以设计为具有多个隐藏层的所谓“前馈神经元网络”。此外，观察矩阵可以在值域[0，1]中归一化。神经元网络18例如可以具有输入节点x·y和输出节点o，其中o描述所有(有意义的)道路类别的数量，x构成车道的最大数量而y构成由一个车道的道路构成的所有组合的数量。根据在图3中示出的观察矩阵B，x＝15并且y＝9。道路类别还在神经元网络18的训练阶段之前完全(且单值地)被编号并且被分别准确地指派给神经元网络18的输出节点之一。
Claims (5)
1.用于通过至少一个车辆(2)的观察求取车道(S)数量的方法(22)，其中，由所述车辆(2)求得的道路区段(21)连同求得的、行驶的车道(S)作为观察数据(R)被外部服务器单元(4)接收并且基于所传送的观察数据(R)由所述外部服务器单元(4)确定至少一个道路区段(21)的可行驶的车道的数量并且将其作为信息配属给数字地图(20)，
其中，根据所述观察数据(R)在所述外部服务器单元(4)中针对每个道路区段(21)创建观察矩阵(B)，其中，观察矩阵(B)具有可行驶的车道(S)和配属给所述车道(S)的车道标记(M)类型的统计学分布，
其中，所述外部服务器单元(4)具有已学习的神经元网络(18)，其中，每个观察矩阵(B)通过所述神经元网络(18)被分析并且被分配给一个车道类别。
2.根据权利要求1所述的方法，其中，通过所述神经元网络(18)从观察矩阵(B)中去除测量误差。
3.根据权利要求1至2中任一项所述的方法，其中，道路被划分为相等长度的或不同长度的道路区段(21)。
4.用于接收和分析评价观察数据(R)的外部服务器单元(4)，其中，所述外部服务器单元(4)设置为用于实施根据权利要求1至3中任一项所述的方法(22)。
5.用于收集关于道路的数据的系统(1)，所述系统具有根据权利要求4所示的至少一个外部服务器单元(4)和至少两个车辆(2)，其中，所述车辆(2)具有控制器(8)，所述控制器能够与用于实施自身车道定位的至少一个传感器(6)并且与用于将信息传送给所述外部服务器单元(4)的通信单元(12)连接。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102018218043.1A DE102018218043A1 (de) | 2018-10-22 | 2018-10-22 | Ermittlung einer Anzahl von Fahrspuren sowie von Spurmarkierungen auf Straßenabschnitten |
| DE102018218043.1 | 2018-10-22 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111081063A CN111081063A (zh) | 2020-04-28 |
| CN111081063B true CN111081063B (zh) | 2023-05-05 |
Family
ID=70279658
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911004840.4A Active CN111081063B (zh) | 2018-10-22 | 2019-10-22 | 创建观察数据、求取车道数量的方法及相关的系统、服务器单元和控制器 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11574537B2 (zh) |
| CN (1) | CN111081063B (zh) |
| DE (1) | DE102018218043A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220139211A1 (en) * | 2019-01-31 | 2022-05-05 | Pioneer Corporation | Server device, information processing method, information processing program and storage medium |
| JP7210357B2 (ja) * | 2019-03-28 | 2023-01-23 | 本田技研工業株式会社 | 車両制御装置、車両制御方法、及びプログラム |
| DE102021003215A1 (de) | 2021-06-22 | 2021-09-09 | Daimler Ag | Verfahren zum Trainieren eines Machine-Learning-Modells |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2016118292A (ru) * | 2016-05-12 | 2017-11-16 | Общество с ограниченной ответственностью "Ситиликс" | Способ и система определения текущей и рекомендуемой полосы движения автотранспортного средства |
| CN107646114A (zh) * | 2015-05-22 | 2018-01-30 | 大陆-特韦斯贸易合伙股份公司及两合公司 | 用于估计车道的方法 |
| DE102017116213A1 (de) * | 2016-07-20 | 2018-03-01 | Ford Global Technologies, Llc | Fahrspurerkennung mit rückfahrkamera |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005345201A (ja) | 2004-06-01 | 2005-12-15 | Denso Corp | 走行軌跡表示装置及びプログラム |
| US11125566B2 (en) * | 2015-07-16 | 2021-09-21 | Ford Global Technologies, Llc | Method and apparatus for determining a vehicle ego-position |
| JP6691387B2 (ja) | 2016-02-15 | 2020-04-28 | 本田技研工業株式会社 | 車両維持制御装置 |
| US10369994B2 (en) * | 2016-07-20 | 2019-08-06 | Ford Global Technologies, Llc | Rear camera stub detection |
| US10248124B2 (en) * | 2016-07-21 | 2019-04-02 | Mobileye Vision Technologies, Inc. | Localizing vehicle navigation using lane measurements |
| DE102016009461A1 (de) | 2016-08-03 | 2018-02-08 | Daimler Ag | Verfahren zum Betreiben eines Fahrzeugs und Vorrichtung zur Durchführung des Verfahrens |
| DE102017200865A1 (de) | 2017-01-19 | 2018-07-19 | Robert Bosch Gmbh | Verfahren zum fahrspurspezifischen Verorten eines Fahrzeugs |
| DE102017201665A1 (de) | 2017-02-02 | 2018-08-02 | Robert Bosch Gmbh | Verfahren zur Einbindung eines dynamischen Objektes in eine digitale Karte eines hochautomatisierten Fahrzeugs (HAF) |
| CN108303103B (zh) * | 2017-02-07 | 2020-02-07 | 腾讯科技（深圳）有限公司 | 目标车道的确定方法和装置 |
| DE102017005020A1 (de) | 2017-05-26 | 2017-12-14 | Daimler Ag | Verfahren zur Bestimmung einer Position eines Fahrzeugs |
| KR102421855B1 (ko) * | 2017-09-28 | 2022-07-18 | 삼성전자주식회사 | 주행 차로를 식별하는 방법 및 장치 |
-
2018
- 2018-10-22 DE DE102018218043.1A patent/DE102018218043A1/de active Pending
-
2019
- 2019-10-16 US US16/654,711 patent/US11574537B2/en active Active
- 2019-10-22 CN CN201911004840.4A patent/CN111081063B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107646114A (zh) * | 2015-05-22 | 2018-01-30 | 大陆-特韦斯贸易合伙股份公司及两合公司 | 用于估计车道的方法 |
| RU2016118292A (ru) * | 2016-05-12 | 2017-11-16 | Общество с ограниченной ответственностью "Ситиликс" | Способ и система определения текущей и рекомендуемой полосы движения автотранспортного средства |
| DE102017116213A1 (de) * | 2016-07-20 | 2018-03-01 | Ford Global Technologies, Llc | Fahrspurerkennung mit rückfahrkamera |
Also Published As
| Publication number | Publication date |
|---|---|
| DE102018218043A1 (de) | 2020-04-23 |
| CN111081063A (zh) | 2020-04-28 |
| US20200126405A1 (en) | 2020-04-23 |
| US11574537B2 (en) | 2023-02-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10002537B2 (en) | Learning lanes from radar sensors | |
| CN111081063B (zh) | 创建观察数据、求取车道数量的方法及相关的系统、服务器单元和控制器 | |
| JP6658088B2 (ja) | 情報処理装置、プログラム、及び地図データ更新システム | |
| US9459626B2 (en) | Learning signs from vehicle probes | |
| US10262213B2 (en) | Learning lanes from vehicle probes | |
| US20200042800A1 (en) | Image acquiring system, terminal, image acquiring method, and image acquiring program | |
| JP5234691B2 (ja) | ナビゲーション装置、プローブ情報送信方法、プログラム及び交通情報作成装置 | |
| JP4470873B2 (ja) | 経路案内システム及び経路案内方法 | |
| DE102017208124B4 (de) | Verfahren, Vorrichtung und System zum Ermitteln einer Straßenbaustelle | |
| US20200192386A1 (en) | Method and system for prediction of roadwork zone | |
| US20210209946A1 (en) | A road traffic navigation system | |
| WO2018162646A1 (en) | Updating a landmark map | |
| JP2007155352A (ja) | 経路案内システム及び経路案内方法 | |
| DE102017213983A1 (de) | Verfahren zum Verifizieren einer Straßenkarte sowie Servervorrichtung | |
| CN111275997B (zh) | 用于提供地图数据的方法、机动车和中央数据处理设备 | |
| US10497256B1 (en) | Method, apparatus, and system for automatic evaluation of road closure reports | |
| JP6543983B2 (ja) | 道路情報生成装置及びプログラム | |
| CN114076605A (zh) | 检查针对数字环境地图的环境模型的探测到的变化的方法 | |
| WO2020078572A1 (en) | Global map creation using fleet trajectories and observations | |
| JP2017188164A (ja) | 画像取得装置、端末および画像取得システム | |
| KR20200013156A (ko) | 간판 검출 성능 향상을 위한 방법 및 시스템 | |
| US11816989B2 (en) | Identification of connection patterns on the basis of trajectory data | |
| JP7295106B2 (ja) | 軌道ネットワーク内でのナビゲートのためのシステムおよび方法 | |
| CN111832365A (zh) | 车道标记确定方法及装置 | |
| JP5071737B2 (ja) | レーン判定装置及びレーン判定プログラム、並びにそれを用いたナビゲーション装置 |
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 |