CN111145291A - 用于自动语义地图生成的系统和方法 - Google Patents
用于自动语义地图生成的系统和方法 Download PDFInfo
- Publication number
- CN111145291A CN111145291A CN201911065162.2A CN201911065162A CN111145291A CN 111145291 A CN111145291 A CN 111145291A CN 201911065162 A CN201911065162 A CN 201911065162A CN 111145291 A CN111145291 A CN 111145291A
- Authority
- CN
- China
- Prior art keywords
- semantic
- data
- traffic
- road
- road model
- 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 60
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000012360 testing method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 17
- 238000012795 verification Methods 0.000 description 17
- 238000013480 data collection Methods 0.000 description 14
- 230000006399 behavior Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- 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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- 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
- G01C21/3626—Details of the output of route guidance instructions
- G01C21/3632—Guidance using simplified or iconic instructions, e.g. using arrows
-
- 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
- G01C21/3626—Details of the output of route guidance instructions
- G01C21/3658—Lane guidance
-
- 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
- G01C21/3848—Data obtained from both position sensors and additional sensors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明涉及用于自动语义地图生成的系统和方法,其至少包括具有至少一个处理设备的处理系统。处理系统被配置成生成针对道路元素的概率性道路模型。处理系统被配置成生成针对道路模型的概率性交通模型。处理系统被配置成对道路模型和交通模型执行统计推断。处理系统被配置成基于统计推断来生成语义道路模型的估计。处理系统被配置成生成包括语义道路模型的估计的语义地图。
Description
技术领域
本公开总体上涉及地图,并且更特别地涉及自动语义地图生成。
背景技术
一般而言,一些地图包括有关环境的可测量信息。例如,这些地图可以包括车道标线的位置和形状以及环境中的其他特征。除了提供地理区域道路的指示之外,这些地图还可以包括针对这些道路的一些驾驶信息。然而,这些地图通常是手工制作的,以包括该驾驶信息,从而导致劳动密集且耗时的过程,以及地图上的一些不准确之处。
发明内容
以下是对后文详细描述的某些实施例的概述。介绍所描述的方面仅是为了向读者提供这些某些实施例的简要概述,并且这些方面的描述不意图限制本公开的范围。实际上,本公开可以涵盖后文可能未明确阐述的多种方面。
在示例实施例中,一种方法包括:经由具有至少一个处理设备的处理系统基于与对应于地理区域的几何数据相关联的道路元素来生成概率性道路模型。所述方法包括生成针对所述道路模型的概率性交通模型。所述方法包括经由所述处理系统基于所述道路模型和所述交通模型来计算统计推断结果。所述方法包括经由所述处理系统基于所述统计推断结果来生成语义道路模型的估计。
在示例实施例中,一种系统包括至少一个计算机可读介质,其存储几何数据、交通数据和计算机可读数据。所述系统包括可通信连接到所述至少一个计算机可读介质的处理系统。所述处理系统包括至少一个处理设备。所述系统被配置成执行所述计算机可读数据以实现方法,所述方法包括基于所述几何数据生成针对道路元素的概率性道路模型。所述方法包括针对所述道路模型生成概率性交通模型。所述方法包括基于所述道路模型和所述交通模型来计算统计推断结果。所述方法包括基于所述统计推断结果来生成语义道路模型的估计。所述方法包括生成语义地图,所述语义地图包括所述语义道路模型的估计。
在示例实施例中,一种非暂时性计算机可读介质包括计算机可读数据,所述计算机可读数据在由具有至少一个处理设备的处理系统执行时被配置成实现方法,所述方法包括生成针对道路元素的概率性道路模型。所述方法包括针对所述道路模型生成概率性交通模型。所述方法包括基于所述道路模型和所述交通模型来计算统计推断结果。所述方法包括基于所述统计推断结果来生成语义道路模型的估计。
通过参照附图的对某些示例性实施例的以下详细描述来进一步阐明本发明的这些和其他特征、方面和优点,在整个附图中,相似的字符或参考标号表示相似的部分。
附图说明
图1是根据本公开的示例实施例的系统的图示。
图2是根据本公开的示例实施例的方法的流程图。
图3A是根据本公开的示例实施例的针对地理区域的地图片段的非限制性示例。
图3B是根据本公开的示例实施例的针对与图3A相关联的地理区域的具有车道类型分类的语义地图片段的非限制性示例。
图3C是根据本公开的示例实施例的针对与图3A相关联的地理区域的具有车道类型分类的语义地图片段的另一非限制性示例。
图4A是根据本公开的示例实施例的针对地理区域的地图片段的非限制性示例。
图4B是根据本公开的示例实施例的针对与图4A相关联的地理区域的具有车道分割的语义地图片段的非限制性示例。
图4C是根据本公开的示例实施例的针对与图4A相关联的地理区域的具有车道分割的语义地图片段的另一非限制性示例。
图5A是根据本公开的示例实施例的针对地理区域的地图片段的非限制性示例。
图5B是根据本公开的示例实施例的针对与图5A相关联的地理区域的具有车道合并关系的语义地图片段的非限制性示例。
图5C是根据本公开的示例实施例的针对与图5A相关联的地理区域的具有车道合并关系的语义地图片段的另一非限制性示例。
图6A是根据本公开的示例实施例的针对地理区域的地图片段的非限制性示例。
图6B是根据本公开的示例实施例的针对与图6A相关联的地理区域的具有交通灯关联的语义地图片段的非限制性示例。
图6C是根据本公开的示例实施例的针对与图6A相关联的地理区域的具有交通灯关联的语义地图片段的另一非限制性示例。
具体实施方式
通过前述描述将理解已作为示例示出和描述的上述实施例及其许多优点,并且将显而易见的是,可以在不脱离所公开的主题或不牺牲其优点中的一个或多个的情况下在组件的形式、构造和布置上做出各种改变。实际上,这些实施例的描述形式仅仅是解释性的。这些实施例容许各种修改和替换形式,并且所附权利要求旨在涵盖和包括此类改变而非限于所公开的特定形式,相反,旨在覆盖落入本公开的精神和范围内的所有修改、等同物和替换方案。
图1是根据示例实施例的系统100的图示。在示例实施例中,系统100至少包括语义地图生成器120,其被配置成与至少一个非暂时性计算机可读介质110通信。在示例实施例中,计算机可读介质110包括一个或多个电气、电子或计算机硬件存储设备或其任何组合。计算机可读介质110的非限制性示例包括任何合适的存储设备、存储器电路、随机存取存储器(RAM)、只读存储器(ROM)、任何计算机盘、任何类型的存储器硬件或其任何组合。在图1中,语义地图生成器120可通信连接到计算机可读介质110A和计算机可读介质110B。在示例实施例中,计算机可读介质110A和计算机可读介质110B是不同的计算机存储器实体或同一计算机存储器实体的不同的存储器部分。例如,计算机可读介质110可以包括计算机可读介质110A和计算机可读介质110B,它们是不同的计算机存储器实体或同一计算机存储器实体的不同的存储器部分。
在示例实施例中,如本文所讨论的,计算机可读介质110A包括与生成、构造或提供语义地图和/或语义道路模型有关的各种相关数据。就此而言,例如,各种相关数据包括经由一个或多个数据收集过程10为了语义地图生成而采集的数据。附加地或替换地,各种相关数据包括这样的数据:其并非是经由一个或多个数据收集过程10为了语义地图生成而采集的数据,而是与生成语义道路模型和/或语义地图的估计有关的数据。
在示例实施例中,数据收集过程10包括从各种传感器获得传感器数据并将传感器数据存储在计算机可读介质110A上。就此而言,例如,各种传感器包括至少一个相机、激光雷达、雷达、GPS、里程计(odometry)、任何合适的传感器或其任何组合。在示例实施例中,传感器数据在中央位置处进行处理并被传送到计算机可读介质110A。在示例实施例中,传感器数据包括几何数据。在示例实施例中,传感器数据包括至少与所选地理区域和/或环境有关的可测量信息。
在示例实施例中,数据收集过程10包括用于获得和采集与语义道路模型和/或语义地图的生成有关的数据的各种方法。例如,数据收集过程10包括经由与至少一个专用的配备有仪器的测试车辆或车队相关联的各种传感器来收集和记录传感器数据。在示例实施例中,每个车辆配备有各种传感器并且沿着交通中的预规划的路线驾驶,从而有助于从几何数据估计道路元素的初始任务。就此而言,数据收集过程10有利地考虑了车辆的驾驶轨迹以及来自各种传感器的传感器测量结果。另外,通过包括预规划的路线和/或驾驶轨迹,使系统100能够获得和处理相关数据,这避免了当仅从几何数据(例如,车道标线)估计车道时原本可能出现的一些歧义。
在示例实施例中,数据收集过程10包括一个或多个高度自动化的驾驶车辆。在示例实施例中,数据收集过程10包括具有先进的驾驶员辅助系统(例如,公路辅助系统)的一个或多个车辆,使得每个车辆被配置成维护传感器数据的日志,并且要么经由无线连接(诸如LTE连接)要么在维护期间经由诊断端口、经由计算机可读介质110将传感器数据的日志传输到系统100。附加地或替换地,数据收集过程10包括一个或多个人类驾驶的车辆,其被配置成生成和/或维护传感器数据的日志。作为另一示例,数据收集过程10包括获得交通数据,该交通数据是经由一个或多个移动电话应用收集的,所述一个或多个移动电话应用使用每个移动电话的内置位置服务来至少收集车辆位置和速度信息。就此而言,如上面的非限制性示例中的一个或多个所例示的,数据收集过程10在获得目标数据集合方面是有利的,所述目标数据集合对于生成语义道路模型和/或语义地图的有效且准确的估计来说特别相关且有用。
在示例实施例中,语义地图生成器120是包括至少一个电气、电子和/或计算机处理设备的处理系统。例如,在图2中,语义地图生成器120包括一个或多个计算机服务器和/或计算机终端,其至少包括同时定位和地图绘制(mapping)(SLAM)模块130、语义地图假设生成模块140和验证模块150。在示例实施例中,语义地图生成器120的每个模块包括硬件、软件或硬件和软件的组合。在示例实施例中,语义地图生成器120的一个或多个模块相对于彼此和/或相对于语义地图应用20而言是远程的、本地的或其组合。此外,语义地图生成器120不限于如图1中所示的此类模块配置,而是其他实施例包括具有更多模块、更少模块、其他功能模块、其他逻辑单元或其任何合适组合的配置,只要语义地图生成器120被配置成实现本文描述的目标中的一个或多个即可。
在示例实施例中,SLAM模块130被配置成与计算机可读介质110A通信。更具体地,SLAM模块130被配置成从计算机可读介质110A获得各种相关数据。在示例实施例中,在获得各种相关数据之后,SLAM模块130被配置成通过实现涉及SLAM的至少一个过程来生成道路元素、定位特征、地图或其任何组合。就此而言,例如,SLAM模块130被配置成生成地图,该地图包括车道标线、标志、道路边界、其他SLAM元素或其任何组合。另外,SLAM模块130被配置成与另一模块(未示出)通信,所述另一模块诸如要提供定位特征的定位模块,所述定位特征包括与主体在该地理区域内的当前位置有关的数据。
在示例实施例中,语义地图假设生成模块140被配置成与SLAM模块130通信。就此而言,语义地图假设生成模块140被配置成从SLAM模块130和/或计算机可读介质110A获得和/或接收至少几何数据、交通数据、地图数据、其他相关数据或其任何组合。在示例实施例中,语义地图假设生成模块140至少包括具有应用编程接口(API)、领域专用语言(DSL)、任何合适的技术或其任何组合的统计推断软件。在示例实施例中,语义地图假设生成模块140被配置成生成语义地图元素假设。更具体地,在示例实施例中,语义地图假设生成模块140被配置成至少基于道路元素、地图数据、几何数据、任何相关数据或其任何组合来生成概率性道路模型。另外,语义地图假设生成模块140被配置成至少基于概率性道路模型、交通数据、任何合适的数据或其任何组合来生成至少一个概率性交通模型。另外,语义地图假设生成模块140被配置成至少基于概率性道路模型、概率性交通模型、任何合适的数据或其任何组合来生成语义道路模型的至少一个估计。在示例实施例中,语义道路模型的每个估计表示与该地理区域相关联的各种相关数据(例如,几何数据、交通数据等)的可行解释。另外,在示例实施例中,语义地图假设生成模块140被配置成与验证模块150通信。
在示例实施例中,验证模块150被配置成评估语义道路模型的每个估计的有效性。就此而言,验证模块150被配置成选择适当的假设(例如,最大似然、假设测试等)和/或确定语义道路模型的每个估计是否被认为是有效的。就此而言,例如,验证模块150被配置成例如通过评估与预定判据的比较结果来做出该有效性确定。在示例实施例中,例如,验证模块150被配置成在针对语义道路模型的估计的交通预测数据与来自针对该地理区域的至少一个对应路段的实际交通的交通日志的交通数据之间执行比较。在这种情况下,验证模块150被配置成在交通预测数据与实际交通数据之间的相关性不充分时确定语义道路模型的该估计是无效的。替换地,验证模块150被配置成在交通预测数据与实际交通数据之间的相关性充分时确定语义道路模型的该估计是有效的。
在示例实施例中,在确定了语义道路模型的估计被认为是无效的时,验证模块150被配置成标识这样的道路元素和/或语义数据:其关于道路元素类型、关系分类等具有不充分的相关性和/或相对较高的歧义程度。在已标识出该信息之后,验证模块150被配置成请求附加数据,其目标在于获得该信息以实现进一步的数据收集。就此而言,验证模块150有利地被配置成标识具有不充分的信息的区域,并向系统100提供关于例如标识或估计附加数据的反馈,所述附加数据是达到数据需求和/或语义道路模型的更可靠的估计所必需的。
在示例实施例中,在确定了语义道路模型的估计被认为有效时,验证模块150被配置成生成包括语义道路模型的该估计的语义地图。在示例实施例中,语义地图的生成包括更新现有地图以包括该语义道路模型或创建包括该语义道路模型的新地图。在示例实施例中,验证模块150还被配置成至少将该语义地图(和任何对应的数据)存储在至少一个计算机可读介质110B中。在示例实施例中,计算机可读介质110B可经由至少一个其他系统访问,该至少一个其他系统包括硬件、软件或其组合,并且提供涉及语义地图的一个或多个应用。例如,如图1中所示,计算机可读介质110B被配置成与另一系统通信,该另一系统包括语义地图应用20。在示例实施例中,语义地图应用20提供自主路线规划、导航特征、定位、任何合适的与地图绘制有关的功能或其任何组合。
图2是例示了由系统100实现的方法的示例的流程图。在示例实施例中,该方法可通过任何合适的硬件技术、软件技术或硬件和软件技术的任何组合来实现。此外,该方法在生成一个或多个语义地图方面是有利的,其提供了关于一个或多个地图元素的各种洞察。在示例实施例中,语义地图包括几何数据、定位数据、语义数据、其他相关数据或其任何组合。就此而言,语义地图的自动生成在包括例如导航、路线规划、定位、其他应用或其任何组合的各种应用中是有利的。此外,语义地图的自动生成对于诸如人类、机器人、移动机器、自主驾驶车辆、高度自主车辆等的各种实体是有利的。
在示例实施例中,在步骤202处,系统100生成概率性道路模型。就此而言,例如,系统100从计算机可读介质110A获得与地理区域相关联的各种相关数据以生成概率性道路模型。例如,系统100被配置成采集与地理区域有关的几何数据,并根据该几何数据提供概率性道路模型。在示例实施例中,概率性道路模型提供了基于几何数据来标识可能的道路元素或地理元素的存在的结构。道路元素或地理元素的非限制性示例包括车道、交通灯、停车线、让路点(yield point)、人行横道等。附加地或替换地,概率性道路模型指示这些标识出的元素如何相互关联。例如,在非限制性示例中,基于几何数据,概率性道路模型被配置成提供相邻车道的指示以及变道转换的指示。此外,根据几何数据,概率性道路模型被配置成提供车道顺序的指示,以及这些车道彼此顺序排列的方式,连同任何适用的延续转换。作为另一示例,根据几何数据,概率性道路模型被配置成提供合并车道或交叉车道的指示,以及处于相同合并或交叉中的一组车道之间/之中的每个车道的优先级。
在示例实施例中,在步骤204处,系统100生成针对该道路模型的概率性交通模型。在示例实施例中,概率性交通模型提供了针对在步骤202处生成的道路模型观察到的交通行为的似然性(likelihood)。就此而言,例如,概率性交通模型在给定道路模型和/或语义道路特征和关系的特定布置的情况下指示交通行为的似然性。
在示例实施例中,在步骤206处,系统100生成语义道路模型的至少一个估计。在示例实施例中,系统100被配置成执行统计推断,该统计推断涉及计算、模拟、分析、机器学习、任何合适的处理或其任何组合。另外,在示例实施例中,统计推断至少由包括应用编程接口(API)、领域专用语言(DSL)、任何合适的技术或其任何组合的软件来执行。在示例实施例中,语义地图假设生成模块140执行各种处理和/或计算以进行贝叶斯推断、统计假设测试、任何合适的概率/统计方法或其任何组合。就此而言,通过执行统计推断(例如,假设测试),语义地图假设生成模块140被配置成通过考虑具有合理存在概率的一组关联和关系来管理复杂性。
在示例实施例中,例如,在获得概率性道路模型和概率性交通模型之后,系统100执行针对贝叶斯推断的处理和/或计算,以在给定了观察到的几何和交通数据的情况下基于语义道路模型的估计来提供统计推断结果。例如,在非限制性情形中,如果在统计上的大量观察之后交通数据显示出交通车辆从不或很少在两个车道标线之间驾驶,则系统100被配置成确定这两个车道标线之间的区域具有较低的作为驾驶车道的概率。基于交通数据,系统100被配置成确定和/或生成输出数据,该输出数据指示该区域比起被分类为驾驶车道更可能被分类为非驾驶路肩或中间带。类似地,如果交通数据显示出在无控制的交叉路口中的第一车道的交通几乎从不给第二车道让路,则系统100被配置成确定和/或生成指示第一车道非常可能基于交通规则或当地习惯而至少比起第二车道有优先级的输出数据。另外,系统100被配置成利用几何数据(诸如停车标志)以及关系数据(诸如该停车标志与第二车道的关联)来确定是否有该优先级关系(即,第一车道比起第二车道具有优先级)存在的更大的似然性。
在示例实施例中,在步骤208处,系统100确定语义道路模型的估计是否有效。在示例实施例中,系统100基于许多预定判据来评估语义道路模型的估计的有效性。就此而言,例如,预定判据包括一个或多个概率、似然性值、置信度水平、阈值、任何统计上有意义的值或其任何组合。更具体地,在示例实施例中,例如,在从语义地图假设生成模块140接收到语义道路模型的估计之后,验证模块150被配置成将针对语义道路模型的该估计的交通预测数据与来自针对该路段的交通日志的实际交通数据进行比较,并用预定判据来评估此比较的结果,以确定语义道路模型的该估计是否有效。附加地或替换地,验证模块150被配置成执行一个或多个其他验证计算,以确定语义道路模型的估计是否满足一个或多个预定判据。
在示例实施例中,在步骤210处,系统100生成包括语义道路模型的估计的语义地图。就此而言,例如,语义地图生成器120(例如,经由语义地图假设生成模块140和/或验证模块150)在步骤208处验证了语义道路模型的估计之后生成该语义地图。在示例实施例中,语义地图是至少一个地理区域的表示,其至少包括语义数据、定位数据、地图数据、几何数据、其他相关数据及其任何组合。在示例实施例中,语义地图在提供了地理区域的具有与该地理区域的各种元素以及这各种元素之间的关系的标识有关的信息的有效表示方面是有利的。另外,该语义地图被配置成经由诸如显示设备之类的I/O设备输出。附加地或替换地,该语义地图被配置成连接到语义地图应用20或与之集成,语义地图应用20可操作以提供路线规划、定位、地图绘制、任何相关应用或其任何组合。
在示例实施例中,在步骤212处,系统100被配置成请求和/或获得用于生成语义道路模型的估计和/或语义地图的附加数据。例如,如图1至图2中所示,系统100被配置成在确定了语义道路模型的估计无效时请求附加数据。通过请求并获得附加数据,系统100被配置成在随后的迭代中提供语义道路模型的更可靠的估计。更具体地,在获得该附加数据之后,系统100被配置成前进到步骤202以再次迭代通过该方法200,如图2中所示,以基于该附加数据生成语义道路的另一估计。这样,利用该附加数据,系统100被配置成生成语义道路模型的估计,比起语义道路模型的先前估计,该估计被系统100认为有效的似然性更大。
如上所述,方法200包括:针对道路元素如何彼此相关来假定概率性道路模型,并且基于概率性道路模型针对交通参与者如何相互作用来假定概率性交通模型。另外,方法200包括生成语义道路模型的估计,并使用所记录的交通数据来针对语义道路模型的每个道路元素推断存在哪些关系以及哪些是活动的(active)。就此而言,方法200在利用语义数据构造语义地图方面是有利的,其适用于各种应用。
图3A至3C例示了与一地理区域有关的各种地图片段的非限制性示例。更具体地,图3A例示了地图片段300,其是由SLAM模块130生成的,并且包括几何数据。在这种情况下,几何数据包括第一车道标线302和第二车道标线304。尽管此地图片段300指示存在第一车道标线302和第二车道标线304,但是地图片段300并未提供有关第一车道标线302和第二车道标线304的任何有意义的信息。
图3B例示了与跟图3A的地图片段300的地理区域相同的地理区域相关联的第一语义地图片段310。在示例实施例中,第一语义地图片段310由语义地图生成器120生成。就此而言,系统100被配置成例如在基于交通数据验证了语义道路模型的估计之后生成该第一语义地图片段310,其指示在该地理区域的对应部分中通常存在两个交通流。此外,如图3B中所示,该第一语义地图片段310提供与几何数据和/或道路元素有关的有意义的信息。就此而言,例如,第一语义地图片段310包括第一车道标识符312,以将第一车道标线302与第二车道标线304之间的空间标识为驾驶车道。另外,第一语义地图片段310包括第二车道标识符314,以将第二车道标线304的相对侧上的空间标识为驾驶车道。另外,在示例实施例中,第一语义地图片段310的语义数据包括针对这两个驾驶车道的驾驶方向。在示例实施例中,系统100被配置成基于交通数据来确定驾驶方向。
图3C例示了与跟图3A的地图片段300的地理区域相同的地理区域相关联的第二语义地图片段320。在示例实施例中,第二语义地图片段320由语义地图生成器120生成。就此而言,系统100被配置成例如在基于交通数据验证了语义道路模型的估计之后生成该第二语义地图片段320,其指示在该地理区域的对应部分中通常存在一个交通流和偶然的车辆移动。此外,如图3C中所示,该第二语义地图片段320提供与几何数据和/或道路元素有关的有意义的信息。就此而言,例如,第二语义地图片段320包括第一车道标识符312,以将第一车道标线302与第二车道标线304之间的空间标识为驾驶车道。另外,第二语义地图片段320包括路肩标识符322,以将第二车道标线304的相对侧上的空间标识为道路路肩或非驾驶路肩。也就是说,与第一语义地图片段310形成对照,第二语义地图片段320将该空间标识为路肩而不是驾驶车道。另外,在示例实施例中,第二语义地图片段320的语义数据还包括针对第一驾驶车道和路肩的驾驶方向。
如图3B和3C中所示,对于地图片段300中呈现的几何数据和/或道路元素存在各种可行的解释。例如,第一语义地图片段310指示存在两个驾驶车道,而第二语义地图片段320指示存在一个驾驶车道和一个路肩。这些不同的解释传达或阐述了不同的驾驶惯例、规则和习惯,因为驾驶车道是一种驾驶选择,而路肩则更多的是一种紧急选择而非驾驶选择。在缺少此类信息的情况下,地图片段300本身无法提供充分的信息以使实体能够根据驾驶规则和习惯来规划和利用道路元素。相比之下,第一语义地图片段310和第二语义地图片段320中的每一个都提供了使实体能够根据驾驶规则和习惯来规划和利用至少道路元素的洞察。
图4A至4C例示了与一地理区域有关的各种地图片段的非限制性示例。更具体地,图4A例示了地图片段400,其是由SLAM模块130生成的,并且包括几何数据。在这种情况下,几何数据包括第一车道标线402、第二车道标线404、第三车道标线406和第四车道标线408。另外,如图4A至4C中的每一个中所示,第二车道标线404包括段404A,在该段404A中,第二车道标线404中存在不连续或存在几乎没有车道标线的中断。另外,如图4A至4C中的每一个中所示,第三车道标线406包括段406A,在该段406A中,第三车道标线406中存在不连续或存在几乎没有车道标线的中断。尽管此地图片段400指示存在第一车道标线402、第二车道标线404、第三车道标线406和第四车道标线408,但地图片段400并未提供有关与第一车道标线402、第二车道标线404、第三车道标线406、第四车道标线408、段404A和段406A相关联的含义的任何有意义的信息。
图4B例示了与跟图4A的地图片段400的地理区域相同的地理区域相关联的第一语义地图片段410。在示例实施例中,第一语义地图片段410由语义地图生成器120生成。就此而言,系统100被配置成例如在基于交通数据验证了语义道路模型的估计之后生成该第一语义地图片段410,其指示在该地理区域的对应部分中,在第一方向418A上通常存在一个交通流,并且在第二方向418B上通常存在两个交通流。此外,如图4B中所示,该第一语义地图片段410提供与几何数据和/或道路元素有关的有意义的信息。就此而言,例如,第一语义地图片段410包括第一车道标识符412,以将第一车道标线402与第二车道标线404之间的空间标识为驾驶车道。另外,第一语义地图片段410包括第二车道标识符414,以将第三车道标线406与第四车道标线408之间的空间标识为驾驶车道。另外,在第一车道标识符412与第二车道标识符414之间,第一地图片段包括第三车道标识符416,以将第二车道标线404与第三车道标线406之间的空间标识为驾驶车道。
此外,在示例实施例中,第一语义地图片段410还包括针对这些驾驶车道的驾驶方向。更具体地,如图4B中所示,与第一车道标识符412相关联的第一驾驶车道包括第一方向418A。同时,如图4B中所示,与第二和第三车道标识符414和416相关联的第二和第三驾驶车道包括与第一方向418A相反的第二方向418B。就此而言,对于各种语义地图应用20,诸如高度自动化的驾驶应用、自主驾驶应用、导航应用和其他应用,包括驾驶方向是非常有利的。
图4C例示了与跟图4A的地图片段400的地理区域相同的地理区域相关联的第二语义地图片段420。在示例实施例中,第二语义地图片段420由语义地图生成器120生成。就此而言,系统100被配置成例如在基于交通数据验证了语义道路模型的估计之后生成该第二语义地图片段420,其指示在该地理区域的对应部分中,在第一方向418A上通常存在合并为单个交通流的两个交通流,并且在第二方向418B上通常存在合并为单个交通流的另两个交通流。此外,如图4C中所示,该第二语义地图片段420提供与几何数据和/或道路元素有关的有意义的信息。第二语义地图片段420包括第一车道标识符412,以将第一车道标线402与第二车道标线404之间的空间标识为驾驶车道。另外,第二地图片段420包括第二车道标识符414,以将第三车道标线406与第四车道标线408之间的空间标识为驾驶车道。另外,与第一语义地图片段410形成对照,对于第二车道标线404与第三车道标线406之间的空间,第二语义地图片段420包括针对该空间的一部分的第三车道标识符422A和针对该空间的另一部分的第四车道标识符422B。就此而言,与第一地图片段410的段404A和406A相比,第二语义地图片段420向与第二车道标线404和第三车道标线406中的不连续或中断有关的段404A和406A赋予了不同的含义。更具体地,如图4C中所示,第二语义地图片段420将地图片段400的几何数据标识为包括第一方向418A上的第一车道412和第二方向418B上的第二车道414,但是还包括第一车道412与第四车道422B之间存在合并并且第二车道414与第三车道422A之间存在合并的解释。就此而言,第一车道412和第四车道422B与主要在第一方向418A上的行驶相关联,而第二车道414和第三车道422A与主要在第二方向418B上的行驶相关联。
如图4B和4C中所示,对于地图片段400中呈现的几何数据和/或道路元素存在各种可行的解释。例如,第一语义地图片段410指示存在三个驾驶车道,其中在第一方向418A上有一个驾驶车道,并且在第二方向418B上有两个驾驶车道。同时,第二语义地图片段420指示存在在第一方向418A上合并为单个车道的两个车道和在第二方向418B上合并为单个车道的两个车道。这些不同的解释传达或阐述了不同的驾驶惯例、规则和习惯,因为三个驾驶车道不同于两个合并路段。在缺少此类信息的情况下,地图片段400本身无法提供充分的信息以使实体能够根据驾驶规则和习惯来规划和利用道路元素。相比之下,第一语义地图片段410和第二语义地图片段420中的每一个都提供了使实体能够根据驾驶规则和习惯来规划和利用道路元素的洞察。
图5A至5C例示了与一地理区域有关的各种地图片段的非限制性示例。更具体地,图5A例示了地图片段500,其是由SLAM模块130生成的,并且包括几何数据。在这种情况下,几何数据包括第一车道标线502、第二车道标线504、第三车道标线506和第四车道标线508。尽管此地图片段500指示存在第一车道标线502、第二车道标线504、第三车道标线506和第四车道标线508,但地图片段500并未提供有关第一车道标线502、第二车道标线504、第三车道标线506和第四车道标线508的任何有意义的信息。
图5B例示了与跟图5A的地图片段500的地理区域相同的地理区域相关联的第一语义地图片段510。在示例实施例中,第一语义地图片段510由语义地图生成器120生成。就此而言,系统100被配置成例如在基于交通数据验证了语义道路模型的估计之后生成该第一语义地图片段510,其指示在该地理区域的对应部分中通常存在以类似的优先级合并为单个车道的两个交通流。此外,如图5B中所示,该第一语义地图片段510提供与几何数据和/或道路元素有关的有意义的信息。就此而言,例如,第一语义地图片段510包括第一车道标识符512,以将第一车道标线502与第二车道标线504之间的空间标识为驾驶车道。另外,第一语义地图片段510包括第二车道标识符514,以将第三车道标线506与第四车道标线508之间的空间标识为驾驶车道。另外,第一语义地图片段510包括第三车道标识符516,以将第一车道标线502与第四车道标线508之间的空间标识为驾驶车道。此外,该第一语义地图片段510还指示第一驾驶车道512和第二驾驶车道514关于合并为第三驾驶车道516具有等同的优先级。
图5C例示了与跟图5A的地图片段500的地理区域相同的地理区域相关联的第二语义地图片段520。在示例实施例中,第二语义地图片段520由语义地图生成器120生成。就此而言,系统100被配置成例如在基于交通数据验证了语义道路模型的估计之后生成该第二语义地图片段520,其指示在该地理区域的对应部分中通常存在合并为单个车道的两个交通流,其中第一车道看起来比起第二车道具有优先权。此外,如图5C中所示,该第二语义地图片段520提供与几何数据和/或道路元素有关的有意义的信息。类似于第一语义地图片段510,第二语义地图片段520包括第一车道标识符512、第二车道标识符514和第三车道标识符516。然而,与第一语义地图片段510形成对照,第二语义地图片段520指示:在合并为第三车道516时,与第一车道标识符512相关联的第一驾驶车道比与第二车道标识符514相关联的第二驾驶车道具有优先级。就此而言,与第一语义地图片段510的合并相比,第二语义地图片段520向第一驾驶车道和第二驾驶车道的合并赋予了不同的含义。另外,如图5C中所示,第二语义地图片段520标识了第一、第二和第三驾驶车道中的每一个的主导或主要驾驶方向。
如图5B和5C中所示,对于地图片段500中呈现的几何数据和/或道路元素存在各种可行的解释。例如,第一语义地图片段510指示存在以等同的优先级合并为单个车道的两个车道。同时,第二语义地图片段520指示存在合并为单个车道的两个车道,其中第一车道比起第二车道具有优先级。这些不同的解释传达或阐述了不同的驾驶惯例、规则和习惯。在缺少此类信息的情况下,地图片段500本身无法提供充分的信息以使实体能够根据驾驶规则和习惯来规划和利用道路元素。相比之下,第一语义地图片段510和第二语义地图片段520中的每一个都提供了使实体能够根据驾驶规则和习惯来规划和利用道路元素的洞察。
图6A至6C例示了与一地理区域有关的各种地图片段的非限制性示例。更具体地,图6A例示了地图片段600,其是由SLAM模块130生成的,并且包括几何数据。在这种情况下,几何数据包括第一车道标线602、第二车道标线604、第三车道标线606和第四车道标线608。另外,地图片段600指示在第一车道标线602与第二车道标线604之间存在左转箭头610。地图片段600还指示存在第一交通灯612和第二交通灯614。尽管此地图片段600指示存在第一车道标线602、第二车道标线604、第三车道标线606、第四车道标线608、左转箭头610、第一交通灯612和第二交通灯614,但是地图片段600并未提供有关该几何数据和/或道路元素的任何有意义的信息。
图6B例示了与跟图6A的地图片段600的地理区域相同的地理区域相关联的第一语义地图片段620。在示例实施例中,第一语义地图片段620由语义地图生成器120生成。就此而言,系统100被配置成例如在基于交通数据验证了语义道路模型的估计之后生成该第一语义地图片段620,其指示在该地理区域的对应部分中,车道根据交通灯左转,并且两个相邻车道根据另一交通灯表现出类似的行为。此外,如图6B中所示,该第一语义地图片段620提供与几何数据和/或道路元素有关的有意义的信息。就此而言,例如,第一语义地图片段620包括第一车道标识符622,以将第一车道标线602与第二车道标线604之间的空间标识为转向车道。另外,第一语义地图片段620包括第二车道标识符624,以将第二车道标线604与第三车道标线606之间的空间标识为驾驶车道。另外,第一语义地图片段620包括第三车道标识符626,以将第三车道标线606与第四车道标线608之间的空间标识为驾驶车道。此外,该第一语义地图片段620还指示第一交通灯612与第二交通灯614之间关于第一车道622、第二车道624和第三车道626的关系。更具体地,如图6B中所示,第一语义地图片段620将第一交通灯612与第一车道622相关联。另外,如图6B中所示,第一语义地图片段620将第二交通灯614与第二车道624和第三车道626相关联。另外,第一语义地图片段620包括针对第一、第二和第三车道中的每一个的驾驶方向。
图6C例示了与跟图6A的地图片段600的地理区域相同的地理区域相关联的第二语义地图片段640。在示例实施例中,第二语义地图片段640由语义地图生成器120生成。就此而言,系统100被配置成例如在基于交通数据验证了语义道路模型的估计之后生成该第二语义地图片段640,其指示在该地理区域的对应部分中,车道根据交通灯左转,并且两个相邻车道表现出不同的行为。此外,如图6C中所示,该第二语义地图片段640提供与几何数据和/或道路元素有关的有意义的信息。类似于第一语义地图片段620,该第二语义地图片段640包括第一车道标识符622、第二车道标识符624和第三车道标识符626。然而,与第一语义地图片段620形成对照,第二语义地图片段640提供了第一交通灯612与第二交通灯614之间关于第一车道622、第二车道624和第三车道626的不同的关系。更具体地,如图6C中所示,第二语义地图片段640将第一交通灯612仅与第二车道624相关联。另外,如图6C中所示,第二语义地图片段640将第二交通灯614仅与第三车道626相关联。此外,第二语义地图片段640引入了第三交通灯642,该第三交通灯642在数据收集过程10中未被传感器检测到,并且未被提供为地图片段600的几何数据的一部分。另外,如图6C中所示,第二语义地图片段640将第三交通灯642与第一车道622相关联。就此而言,系统100被配置成基于对该地理区域的相关数据(例如,交通数据、几何数据等)的分析而推断出存在第三交通灯642。如该非限制性示例所证明的,系统100被配置成生成语义地图并且包括未检测到的元素,诸如第三交通灯642,其可能是由于障碍物、传感器错误或各种因素而被传感器中的一个或多个漏掉的。
如图6B和6C中所示,对于地图片段600中呈现的几何数据和/或道路元素存在各种可行的解释。例如,第一语义地图片段620指示中间车道和左车道由同一交通灯614控制。同时,第二语义地图片段640指示三个车道中的每个车道由其自己的交通灯来控制。这些不同的解释传达或阐述了不同的驾驶惯例、规则和习惯。在缺少此类信息的情况下,地图片段600本身无法提供充分的信息以使实体能够根据驾驶规则和习惯来规划和利用道路元素。相比之下,第一语义地图片段620和第二语义地图片段640中的每一个都提供了使实体能够根据驾驶规则和习惯来规划和利用道路元素的洞察。
如上所述,系统100提供了许多有利的特征以及益处。例如,系统100有利地被配置成自动或半自动地生成语义道路模型的至少一个估计。另外,系统100被配置成检查语义道路模型的估计的有效性。另外,系统100被配置成提供关于各种地图元素之间的相关性、置信度和/或关系的统计信息。此外,系统100可与复合地图模型一起应用和/或实现。
另外,系统100被配置成生成语义地图,该语义地图在提供关于各种地图元素的含义和洞察方面是有利的。另外,系统100被配置成为语义解释提供合适的置信度水平。另外,系统100被配置成标识(在元素和关系的存在概率方面)具有相对较高的不确定性或(在元素类型或关系分类方面)具有较高的歧义的语义元素,并针对这些语义元素请求进一步的数据收集。系统100还能够提供自动的相关性检测,例如,通过将与观察到的交通行为几乎没有关联的语义特征标识为潜在不重要的。另外,系统100被配置成通过标识具有不充分的信息的相关路段同时还请求和/或获得用于实现该有效语义道路模型的必需数据来量化用于实现有效语义道路模型的数据需求。此外,系统100被配置成在无需手工处理的情况下提供这种自动语义地图生成。
也就是说,上文的描述旨在是例示性的而非限制性的,并且其被提供在特定应用及其需求的上下文中。从前面的描述中,本领域技术人员可以领会的是,本发明可以以各种形式实现,并且各种实施例可以单独或组合地实现。因此,尽管已经结合其特定示例描述了本发明的实施例,但是本文定义的一般原理可以应用于其他实施例和应用而不会脱离所描述的实施例的精神和范围,并且本发明的实施例和/或方法的真实范围不限于所示出和描述的实施例,因为在研究附图、说明书和所附权利要求书之后,各种修改对于本领域技术人员将变得显而易见。例如,组件和功能性可以以与所描述的各种实施例的方式不同的方式进行分离或组合,并且可以使用不同的术语来描述。这些和其他变型、修改、添加和改进可以落入如所附权利要求中限定的本公开的范围内。
Claims (20)
1.一种方法,包括:
经由具有至少一个处理设备的处理系统基于与对应于地理区域的几何数据相关联的道路元素来生成概率性道路模型;
经由所述处理系统生成针对所述道路模型的概率性交通模型;
经由所述处理系统基于所述道路模型和所述交通模型来计算统计推断结果;以及
经由所述处理系统基于所述统计推断结果来生成语义道路模型的估计。
2.根据权利要求1所述的方法,其中,所述统计推断结果是经由贝叶斯推断或统计假设测试来计算的。
3. 根据权利要求1所述的方法,其中:
所述概率性道路模型包括具有(i)基于地理元素标识道路元素的标识数据和(ii)标识所述道路元素之间的关系的关系数据的概率性结构;并且
所述概率性交通模型包括针对所述道路模型的交通行为的似然性。
4.根据权利要求3所述的方法,其中:
所述标识数据包括车道标识符、路肩标识符、中间带标识符、标志标识符和交通灯标识符;
所述关系数据包括车道优先级数据、车道合并数据、驾驶方向数据、第一关联数据和第二关联数据;
第一关联数据包括所述标志标识符与所述车道标识符之间的关联;并且
第二关联数据包括所述交通灯标识符与所述车道标识符之间的关联。
5.根据权利要求1所述的方法,还包括:
经由所述处理系统生成包括所述语义道路模型的估计的语义地图。
6.根据权利要求5所述的方法,还包括:
将所述语义地图存储在计算机模块可访问的至少一个计算机可读介质中,所述计算机模块可操作以基于所述语义道路模型的估计来执行自主路线规划。
7.根据权利要求1所述的方法,还包括:
经由所述处理系统确定所述语义道路模型的估计是无效的还是有效的;
在确定了所述语义道路模型的估计无效时,经由所述处理系统获得与所述地理区域有关的附加数据;以及
在确定了所述语义道路模型的估计有效时,经由所述处理系统生成包括所述语义道路模型的估计的语义地图。
8.根据权利要求7所述的方法,其中,确定所述语义道路模型的估计是无效的还是有效的步骤包括评估与阈值判据的比较结果,所述比较是在针对所述语义道路模型的估计的交通预测数据与针对所述地理区域的至少一个对应路段的实际交通的交通日志之间的比较。
9. 根据权利要求1所述的方法,还包括:
经由所述处理系统获得针对地理区域的几何数据;以及
经由所述处理系统获得针对所述地理区域的交通数据;
其中:
至少基于所述几何数据来生成所述概率性道路模型;并且
至少基于所述交通数据和所述概率性道路模型来生成所述概率性交通模型。
10.一种用于自动语义地图生成的系统,所述系统包括:
至少一个计算机可读介质,其存储几何数据、交通数据和计算机可读数据;
处理系统,其可通信连接到所述至少一个计算机可读介质,所述处理系统包括至少一个处理设备,并且被配置成执行所述计算机可读数据以实现包括以下的方法:
基于对应于地理区域的几何数据来生成针对道路元素的概率性道路模型;
生成针对所述道路模型的概率性交通模型;
基于所述道路模型和所述交通模型来计算统计推断结果;
基于所述统计推断来生成语义道路模型的估计;以及
生成语义地图,所述语义地图包括所述语义道路模型的估计。
11.根据权利要求10所述的系统,其中,所述统计推断结果是经由贝叶斯推断或统计假设测试来计算的。
12. 根据权利要求10所述的系统,其中:
所述概率性道路模型包括具有(i)基于所述几何数据标识道路元素的标识数据和(ii)指示所述道路元素之间的关系的关系数据的概率性结构;并且
所述概率性交通模型包括针对所述道路模型的交通行为的似然性。
13.根据权利要求10所述的系统,其中,所述处理系统被配置成将所述语义地图存储在所述至少一个计算机可读介质中,使得计算机模块可操作以从所述至少一个计算机可读介质获得所述语义地图并基于所述语义地图执行自主路线规划。
14.一种包括计算机可读数据的非暂时性计算机可读介质,所述计算机可读数据在由包括至少一个处理设备的处理系统执行时被配置成实现包括以下的方法:
基于对应于地理区域的几何数据来生成针对道路元素的概率性道路模型;
生成针对所述道路模型的概率性交通模型;
基于所述道路模型和所述交通模型来计算统计推断结果;以及
基于所述统计推断结果来生成语义道路模型的估计。
15.根据权利要求14所述的计算机可读介质,其中,所述统计推断结果是经由贝叶斯推断或统计假设测试来计算的。
16. 根据权利要求14所述的计算机可读介质,其中:
所述概率性道路模型包括具有(i)基于所述几何数据标识道路元素的标识数据和(ii)指示所述道路元素之间的关系的关系数据的概率性结构;并且
所述概率性交通模型包括针对所述道路模型的交通行为的似然性。
17.根据权利要求14所述的计算机可读介质,其中所述方法还包括:
经由所述处理系统生成包括所述语义道路模型的估计的语义地图。
18.根据权利要求14所述的计算机可读介质,其中所述方法还包括:
经由所述处理系统确定所述语义道路模型的估计是无效的还是有效的;
在确定了所述语义道路模型的估计无效时,经由所述处理系统请求与所述地理区域有关的附加数据;以及
在确定了所述语义道路模型的估计有效时,经由所述处理系统生成包括所述语义道路模型的估计的语义地图。
19.根据权利要求18所述的计算机可读介质,其中,确定所述语义道路模型的估计是无效的还是有效的步骤包括评估与阈值判据的比较结果,所述比较是在针对所述语义道路模型的估计的交通预测数据与针对所述地理区域的至少一个对应路段的实际交通的交通日志之间的比较。
20.根据权利要求14所述的计算机可读介质,其中所述方法还包括:
基于交通数据生成附加道路元素以虑及交通行为;
其中:
所述交通数据包括针对所述地理区域的至少一个对应路段的实际交通的交通日志。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/180,202 US10989555B2 (en) | 2018-11-05 | 2018-11-05 | System and method for automated semantic map generation |
US16/180202 | 2018-11-05 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111145291A true CN111145291A (zh) | 2020-05-12 |
Family
ID=70459643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911065162.2A Pending CN111145291A (zh) | 2018-11-05 | 2019-11-04 | 用于自动语义地图生成的系统和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10989555B2 (zh) |
CN (1) | CN111145291A (zh) |
DE (1) | DE102019216914A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111968391A (zh) * | 2020-08-07 | 2020-11-20 | 武汉中海庭数据技术有限公司 | 一种基于贝叶斯分类的交通灯和道路关联方法 |
CN114620055A (zh) * | 2022-03-15 | 2022-06-14 | 阿波罗智能技术(北京)有限公司 | 道路数据处理方法、装置、电子设备及自动驾驶车辆 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020213496A1 (de) | 2020-10-27 | 2022-04-28 | Volkswagen Aktiengesellschaft | Validierung von Modellen für Fahrbahn-Spuren basierend auf Schwarmdaten |
CN112882662B (zh) * | 2021-03-17 | 2022-05-27 | 中国人民解放军国防科技大学 | 一种基于连续内存的地理要素高效访问方法 |
CN112985444B (zh) * | 2021-03-31 | 2023-03-24 | 上海商汤临港智能科技有限公司 | 一种地图中导航元素构建方法及装置 |
CN115638788B (zh) * | 2022-12-23 | 2023-03-21 | 安徽蔚来智驾科技有限公司 | 语义矢量地图的构建方法、计算机设备及存储介质 |
CN117132958B (zh) * | 2023-10-27 | 2024-06-11 | 腾讯科技(深圳)有限公司 | 道路要素识别方法及相关装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975913A (zh) * | 2016-04-28 | 2016-09-28 | 武汉大学 | 一种基于自适应聚类学习的道路网提取的方法 |
CN106157621A (zh) * | 2016-07-26 | 2016-11-23 | 中国科学院自动化研究所 | 一种基于数据分析的智能路况管理系统 |
CN106802954A (zh) * | 2017-01-18 | 2017-06-06 | 中国科学院合肥物质科学研究院 | 无人车语义地图模型构建方法及其在无人车上的应用方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8896686B2 (en) * | 2009-06-23 | 2014-11-25 | Here Global B.V. | Determining a geometric parameter from a single image |
JP5206752B2 (ja) * | 2010-08-30 | 2013-06-12 | 株式会社デンソー | 走行環境認識装置 |
US9652983B2 (en) * | 2013-01-24 | 2017-05-16 | Roger André EILERTSEN | Traffic surveillance and guidance system |
DE102015218042A1 (de) * | 2015-09-21 | 2017-03-23 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zum Betreiben eines Fahrzeugs und Fahrerassistenzsystem |
EP3413284B1 (en) * | 2017-06-09 | 2021-03-24 | PTV Planung Transport Verkehr AG | Computer system and method for state prediction of a traffic system |
US11340632B2 (en) * | 2018-03-27 | 2022-05-24 | Uatc, Llc | Georeferenced trajectory estimation system |
-
2018
- 2018-11-05 US US16/180,202 patent/US10989555B2/en active Active
-
2019
- 2019-11-04 DE DE102019216914.7A patent/DE102019216914A1/de active Pending
- 2019-11-04 CN CN201911065162.2A patent/CN111145291A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975913A (zh) * | 2016-04-28 | 2016-09-28 | 武汉大学 | 一种基于自适应聚类学习的道路网提取的方法 |
CN106157621A (zh) * | 2016-07-26 | 2016-11-23 | 中国科学院自动化研究所 | 一种基于数据分析的智能路况管理系统 |
CN106802954A (zh) * | 2017-01-18 | 2017-06-06 | 中国科学院合肥物质科学研究院 | 无人车语义地图模型构建方法及其在无人车上的应用方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111968391A (zh) * | 2020-08-07 | 2020-11-20 | 武汉中海庭数据技术有限公司 | 一种基于贝叶斯分类的交通灯和道路关联方法 |
CN114620055A (zh) * | 2022-03-15 | 2022-06-14 | 阿波罗智能技术(北京)有限公司 | 道路数据处理方法、装置、电子设备及自动驾驶车辆 |
CN114620055B (zh) * | 2022-03-15 | 2022-11-25 | 阿波罗智能技术(北京)有限公司 | 道路数据处理方法、装置、电子设备及自动驾驶车辆 |
Also Published As
Publication number | Publication date |
---|---|
US20200141750A1 (en) | 2020-05-07 |
DE102019216914A1 (de) | 2020-05-07 |
US10989555B2 (en) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10989555B2 (en) | System and method for automated semantic map generation | |
CN112417967B (zh) | 障碍物检测方法、装置、计算机设备和存储介质 | |
CN110364008B (zh) | 路况确定方法、装置、计算机设备和存储介质 | |
US10002537B2 (en) | Learning lanes from radar sensors | |
CN109520744B (zh) | 自动驾驶车辆的驾驶性能测试方法和装置 | |
US10262213B2 (en) | Learning lanes from vehicle probes | |
US20200408557A1 (en) | Augmented 3d map | |
CN110869867B (zh) | 用于对车辆的数字地图进行验证的方法、设备和存储介质 | |
CN107792077A (zh) | 用于确认道路部段是否适合于自主车辆驾驶的方法和系统 | |
CN112212874A (zh) | 车辆轨迹预测方法、装置、电子设备及计算机可读介质 | |
US11587366B1 (en) | Systems and methods for selecting locations to validate automated vehicle data transmission | |
EP3875905B1 (en) | Method, device and medium for detecting environmental change | |
US11893457B2 (en) | Integrating simulated and real-world data to improve machine learning models | |
CN111947669A (zh) | 用于将基于特征的定位地图用于车辆的方法 | |
US20220234621A1 (en) | Augmented 3d map | |
CN105387844A (zh) | 路面状况测定系统以及路面状况测定方法 | |
JP2016218737A (ja) | 先行車両推定装置及びプログラム | |
CN114968187A (zh) | 用于自动驾驶系统的感知系统开发的平台 | |
US20210048819A1 (en) | Apparatus and method for determining junction | |
CN114968189A (zh) | 用于自动驾驶系统的感知系统开发的平台 | |
Chipka et al. | Estimation and navigation methods with limited information for autonomous urban driving | |
KR20230095951A (ko) | 지도 타당성 검사 방법 | |
CN115956190A (zh) | 用于提供高分辨率数字地图的方法和设备 | |
CN113762030A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN112614156A (zh) | 一种多目标跟踪网络模型的训练方法、装置及相关设备 |
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 |