CN111177288A - 用于导出自主车辆启用的可行驶地图的系统 - Google Patents
用于导出自主车辆启用的可行驶地图的系统 Download PDFInfo
- Publication number
- CN111177288A CN111177288A CN201910501664.9A CN201910501664A CN111177288A CN 111177288 A CN111177288 A CN 111177288A CN 201910501664 A CN201910501664 A CN 201910501664A CN 111177288 A CN111177288 A CN 111177288A
- Authority
- CN
- China
- Prior art keywords
- data
- lane
- traffic
- location
- captured
- 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 claims abstract description 70
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 230000008447 perception Effects 0.000 claims abstract description 27
- 230000011664 signaling Effects 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 239000003550 marker Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 15
- 238000013480 data collection Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000004931 aggregating effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—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
- 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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
一种用于自主车辆地图构建的方法包括:从已经沿着道路往下行进的车辆自动捕捉位置数据、移动数据以及感知数据,其中,感知数据包括识别道路的车道边缘和车道标记的位置、与道路相关联的交通标志的位置以及道路的交通信号通知设备的位置的数据。方法还包括:预处理,以使捕捉的感知数据与捕捉的位置数据、捕捉的移动数据以及导航地图数据相关联;从预处理的数据确定车道边界数据、交通设备和标志位置数据、以及车道级交叉路口数据,车道级交叉路口数据连接借助车道边界数据识别的相交和相邻车道;以及将车道边界数据、交通设备和标志位置数据,以及车道级交叉路口数据存储在地图文件中,地图文件被配置为由自主车辆使用。
Description
技术领域
本发明总体涉及用于生成地图的系统和方法,更具体地涉及用于自动生成适于由自主车辆用于导航的地图的系统和方法。
背景技术
导航级地图,诸如开放街道地图(OSM)和谷歌(Google)地图,不适于自主车辆(AV)行驶。为了导航,自主车辆可能需要车辆将在其中行进的区域的高清晰度地图。该高清晰度地图可能需要是三维的、注释有区域中的永久的固定对象,并且包括要用每一个停止标志的精确位置、所有道路标记、每一个出口匝道以及每一个交通信号灯导航的区域中的每一条道路。
创建AV地图可能是复杂的。在美国存在多于四百万英里的道路,并且与由全球定位系统(GPS)和导航系统使用的地图相比,用于自主车辆地图的精度级更高。导航地图通常将车辆的位置定位在几码内。在一些情况下,自主车辆地图可能需要能够将车辆、路边以及其他对象的位置定位在大约四英寸内。
因此,合乎期望的是提供用于自动生成适于有自主车辆用于导航的地图的系统和方法。此外,结合附图以及前述技术领域和背景技术,通过随后的详细描述和所附权利要求,本发明的其它期望特征和特性将变得显而易见。
发明内容
提供了用于自动建立适于在公用道路上自主行驶的地图的系统和方法。在一个实施例中,一种用于自主车辆地图构建的处理器实施的方法包括:从沿着道路往下行进的车辆自动捕捉位置数据、移动数据以及感知数据,其中,位置数据经由全球定位系统传感器来捕捉并包括纬度、经度以及前进方向数据,移动数据经由惯性测量单元(IMU)传感器和测程传感器中的一者或多者捕捉,并且包括测程和加速度数据,感知数据经由照相机、激光雷达以及雷达中的一者或多者捕捉,并且包括:车道边缘和车道标记检测数据,识别用于道路的车道边缘和车道标记的位置;交通标志数据,识别与道路相关联的交通标志的位置;以及交通信号通知设备数据,识别用于道路的交通信号通知设备的位置。方法还包括:用处理器,预处理捕捉的位置、移动以及感知数据,以使捕捉的感知数据与捕捉的位置数据、捕捉的移动数据以及导航地图数据相关联;用处理器从预处理的数据确定车道边界数据、交通设备和标志位置数据,以及车道级交叉路口数据,车道级交叉路口数据连接借助车道边界数据识别的相交和相邻车道;以及在非瞬态计算机可读介质上,将车道边界数据、交通设备和标志位置数据,以及车道级交叉路口数据存储在地图文件,地图文件被配置为由自主车辆用于导航道路。
在一个实施例中确定车道边界数据包括:从预处理的数据检索车辆轨迹信息;将用于道路的车辆轨迹信息分成用于车道段的车辆轨迹信息的多个聚类;使用聚类技术从用于车道段的车辆轨迹信息的聚类确定用于车道段的车道边界数据;以及将轨迹信息用于车道段以识别车道段连接点,来连接用于多个车道段的车道边界数据,以构建用于车道的车道边界数据。
在一个实施例中确定用于车道段的车道边界数据包括:向用于车道段的轨迹信息的聚类应用自底向上聚类技术;从聚类去除离群值;以及查找用于聚类的原型,其中,原型识别车道边界。
在一个实施例中,查找用于聚类的原型包括:通过将一批数据一起分析来更新车道边缘,将一批数据一起分析包括从聚类去除离群值,直到满足离群值阈值为止;计算剩余聚类成员的加权平均值;以及将加权平均值计算的结果设置为车道原型。
在一个实施例中,查找用于聚类的原型包括通过应用卡尔曼滤波器以查找用于聚类的原型来实时增量地更新车道边缘。
在一个实施例中确定交通设备和标志位置数据包括:查找与各车道和交叉路口相关联的交通设备和标志;以及将交通设备和标志连接到相关联的车道和交叉路口。
在一个实施例中,查找与各车道和交叉路口相关联的交通设备和标志包括:从交通设备和标志位置数据去除更低精度设备位置;向交通设备和标志位置数据应用自底向上聚类技术;在交通设备和标志位置数据之间实施最小跨度;从各聚类去除离群值;以及查找用于各聚类的原型,其中,原型识别交通设备位置或交通标志位置。
在一个实施例中,查找用于聚类的原型包括:从聚类去除离群值,直到满足离群值阈值为止;计算剩余聚类成员的加权平均值;以及将加权平均值计算的结果设置为车道原型。
在一个实施例中,查找用于聚类的原型包括:应用卡尔曼滤波器,以查找用于聚类的原型。
在一个实施例中确定车道级交叉路口数据包括:查找在交叉路口处连接的一对路线段;以及填充车道段连接属性和交叉路口进入车道属性,以识别车道级交叉路口数据中的相交车道。
在另一个实施例中,提供了一种自主车辆地图构建模块,该自主车辆地图构建模块包括由非瞬态计算机可读介质中的可编程指令配置的一个或多个处理器。自主车辆地图构建模块被配置为:从沿着道路往下行进的车辆自动检索位置数据、移动数据以及感知数据,其中,位置数据、移动数据以及感知数据已经由车辆自动捕捉,位置数据经由全球定位系统传感器来捕捉并包括纬度、经度以及前进方向数据,移动数据经由惯性测量单元传感器和测程传感器中的一者或多者捕捉,并且包括测程和加速度数据,感知数据经由照相机、激光雷达以及雷达中的一者或多者捕捉,并且包括:车道边缘和车道标记检测数据,识别用于道路的车道边缘和车道标记的位置;交通标志数据,识别与道路相关联的交通标志的位置;以及交通信号通知设备数据,识别用于道路的交通信号通知设备的位置。自主车辆地图构建模块还被配置为:预处理捕捉的位置、移动以及感知数据,以使捕捉的感知数据与捕捉的位置数据、捕捉的移动数据以及导航地图数据相关联;从预处理的数据确定车道边界数据、交通设备和标志位置数据,以及车道级交叉路口数据,车道级交叉路口数据连接借助车道边界数据识别的相交和相邻车道;以及在非瞬态计算机可读介质上,将车道边界数据、交通设备和标志位置数据,以及车道级交叉路口数据存储在地图文件,地图文件被配置为由自主车辆用于导航道路。
在一个实施例中,为了确定车道边界数据,模块被配置为:从预处理的数据检索车辆轨迹信息;将用于道路的车辆轨迹信息分成用于车道段的车辆轨迹信息的多个聚类;使用聚类技术从用于车道段的车辆轨迹信息的聚类确定用于车道段的车道边界数据;并且将轨迹信息用于车道段以识别车道段连接点,来连接用于多个车道段的车道边界数据,以构建用于车道的车道边界数据。
在一个实施例中,为了确定用于车道段的车道边界数据,模块被配置为:向用于车道段的轨迹信息的聚类应用自底向上聚类技术;从聚类去除离群值;并且查找用于聚类的原型,其中,原型识别车道边界。
在一个实施例中,为了查找用于聚类的原型,模块被配置为:通过将一批数据一起分析来更新车道边缘;为了将一批数据一起分析,模块被配置为:从聚类去除离群值,直到满足离群值阈值为止;计算剩余聚类成员的加权平均值;并且将加权平均值计算的结果设置为车道原型。
在一个实施例中,为了查找用于聚类的原型,模块被配置为:通过应用卡尔曼滤波器以查找用于聚类的原型来实时增量地更新车道边缘。
在一个实施例中,为了确定交通设备和标志位置数据,模块被配置为:查找与各车道和交叉路口相关联的交通设备和标志;并且将交通设备和标志连接到相关联的车道和交叉路口。
在一个实施例中,为了查找与各车道和交叉路口相关联的交通设备和标志,模块被配置为:从交通设备和标志位置数据去除更低精度设备位置;向交通设备和标志位置数据应用自底向上聚类技术;在交通设备和标志位置数据之间实施最小跨度;从各聚类去除离群值;以及查找用于各聚类的原型,其中,原型识别交通设备位置或交通标志位置。
在一个实施例中,为了查找用于聚类的原型,模块被配置为:从聚类去除离群值,直到满足离群值阈值为止;计算剩余聚类成员的加权平均值;并且将加权平均值计算的结果设置为车道原型。
在一个实施例中,为了确定车道级交叉路口数据,模块被配置为:查找在交叉路口处连接的一对路线段;并且填充车道段连接属性和交叉路口进入车道属性,以识别车道级交叉路口数据中的相交车道。
在另一个实施例中,一种自主车辆包括控制器,该控制器由非瞬态计算机可读介质上的编程指令配置为使用自主车辆车载地存储的自主车辆地图文件,来控制自主车辆的导航。自主车辆地图文件由自主车辆地图构建模块来构建,该模块被配置为:从沿着道路往下行进的车辆自动检索位置数据、移动数据以及感知数据,其中,位置数据、移动数据以及感知数据在车辆中自动捕捉,位置数据经由全球定位系统传感器来捕捉并包括纬度、经度以及前进方向数据,移动数据经由惯性测量单元传感器和测程传感器中的一者或多者捕捉,并且包括测程和加速度数据,感知数据经由照相机、激光雷达以及雷达中的一者或多者捕捉,并且包括:车道边缘和车道标记检测数据,识别用于道路的车道边缘和车道标记的位置;交通标志数据,识别与道路相关联的交通标志的位置;以及交通信号通知设备数据,识别用于道路的交通信号通知设备的位置。自主车辆地图构建模块还被配置为:预处理捕捉的位置、移动以及感知数据,以使捕捉的感知数据与捕捉的位置数据、捕捉的移动数据以及导航地图数据相关联;从预处理的数据确定车道边界数据、交通设备和标志位置数据,以及车道级交叉路口数据,车道级交叉路口数据连接借助车道边界数据识别的相交和相邻车道;以及在非瞬态计算机可读介质上,将车道边界数据、交通设备和标志位置数据,以及车道级交叉路口数据存储在地图文件,地图文件被配置为由自主车辆用于导航道路。
附图说明
下文中将结合以下附图描述示例性实施例,附图中,同样的附图标记指示同样的元件,并且附图中:
图1是描绘了根据各种实施例的自主车辆地图创建系统的框图;
图2是根据各种实施例的、采用地图数据采集模块的示例车辆的框图;
图3是描绘了根据各种实施例的、示例子模块和在示例地图生成模块中执行的操作的框图;
图4是描绘了根据各种实施例的、在执行与车道查找与排序有关的操作时在示例地图生成模块中执行的示例操作的框图;
图5A是描绘了根据各种实施例的、从各聚类去除离群值并查找用于各聚类的原型的在示例地图生成模块中执行的示例操作的过程流程图;
图5B是描绘了根据各种实施例的、从各聚类去除离群值并用于查找用于各聚类的原型的在示例地图生成模块中执行的示例过程中的示例操作的过程流程图;
图6是描绘了根据各种实施例的、在执行与生成包括在自主车辆地图文件中的交通设备和交通标志位置数据有关的操作时在示例地图生成模块中执行的示例操作的框图;
图7是描绘了根据各种实施例的、在执行与连接借助车道边界数据识别的相交和相邻车道有关的操作时在示例地图生成模块中执行的示例操作的框图;以及
图8是描绘了根据各种实施例的、用于自主车辆地图构建的示例过程的过程流程图。
具体实施方式
以下具体实施方式在性质上仅是示例性的,并且不旨在限制应用和用途。此外,不存在受在之前的技术领域、背景技术、发明内容或以下具体实施方式中提出的任何明确陈述或暗示的理论限制的预期。如这里使用的,术语“模块”提及任意硬件、软件、固件、电子控制部件、处理逻辑、和/或处理器设备(单独或以任意组合),它们没有限制地包括:专用集成电路(ASIC)、现场可编程门阵列(FPGA)、电子电路、执行一个或多个软件或固件程序的处理器(共享的、专用的、或组)和存储器、组合逻辑电路、和/或提供描述功能的其他合适部件。
本发明的实施例在这里可以鉴于功能和/或逻辑块部件以及各种处理步骤来描述。应理解,这种块部件可以由被配置为执行指定功能的任意数量的硬件、软件、和/或固件部件来实现。例如,本发明的实施例可以采用各种集成电路部件(例如,存储元件、数字信号处理元件、逻辑元件、查找表等),这些集成电路部件可以在一个或多个微处理器或其他控制设备的控制下进行各种功能。另外,本领域技术人员将理解,本发明的实施例可以结合任意数量的系统来实践,并且这里描述的系统仅是本发明的示例性实施例。
为了简洁起见,这里可以不详细描述与系统(和系统的独立操作部件)的信号处理、数据传输、信号通知、控制、机器学习模型、雷达、激光雷达、图像分析以及其他功能方面有关的传统技术。此外,这里含有的各种附图中示出的连接线旨在表示各种元件之间的示例功能关系和/或物理耦接。应注意,许多另选或另外功能关系或物理连接可以存在于本发明的实施例中。
这里描述了用于生成自主车辆可行驶地图的装置、系统、方法、技术以及物品。描述的装置、系统、方法、技术以及物品可以生成自主车辆可行驶地图,这些地图可容易地更新和裁剪,并且使用常见的可用传感器。
图1是描绘了自主车辆地图创建系统100的框图。示例系统100被配置为创建适于与自主车辆导航一起使用的详细地图。示例自主车辆地图构建系统100包括:一个或多个车辆102,穿过要创建地图的区域中的道路;和地图生成模块104,由基于云的服务器实施,被配置为生成对于由自主车辆用于导航足够详细的地图105。地图生成模块104被配置为使用导航地图数据(例如,开放街道图)来生成自主车辆地图105,该导航地图数据包括与道路和交叉路口有关的数据以及由车辆102捕捉的数据。
各车辆102包括一个或多个车载传感器106和地图数据采集模块108。传感器106可以包括照相机、激光雷达、雷达、全球定位系统、里程计以及其他传感器。地图数据采集模块108被配置为采集在车辆102穿过要构建地图的道路上的路径的同时由车载传感器捕捉的特定数据,并且向地图生成模块104发送采集的数据。采集的数据可以包括感知数据,该感知数据识别车道边缘、路边、交通设备、交通标志以及自主车辆在导航时可能需要意识到的其他项。感知数据可以经由照相机传感器、激光雷达传感器、雷达传感器以及车辆102车载的其他传感器来捕捉。捕捉的数据还可以包括在车辆102穿过道路并捕捉感知数据时的车辆102的位置和移动数据。位置和移动数据可以包括车辆纬度、经度、前进方向、测程数据以及加速度数据,以及其他。地图数据采集模块108被配置为例如经由蜂窝网络(诸如4G LTE或4G LTE-V2X)、公共网络以及私有网络112上的蜂窝通信信道110与地图生成模块104通信。
示例地图生成模块104被配置为接收并分析由车辆102上的车载传感器106捕捉并经由地图数据采集模块108发送到地图生成模块104的数据。示例地图生成模块104还被配置为结合来自非详细导航地图的地图创建数据,构建用于有自主车辆114用于导航的详细自主车辆地图105。
图2是采用地图数据采集模块108并拥有车载传感器106的示例车辆200的框图。示例车辆200通常包括底盘12、主体14、前轮16以及后轮18。主体14设置在底盘12上,并且大致围住车辆200的部件。主体14和底盘12可以共同形成框架。轮16-18各在主体14的各角附近旋转地耦接到底盘12。
示例车辆200可以是自主车辆(例如,自动控制为将乘客从一个位置承载到另一个位置的车辆)、半自主车辆或乘客驾驶的车辆。在任一情况下,地图数据采集模块210并入到示例车辆200中。示例车辆200被描绘为轿车,但还可以是另一种车辆类型,诸如摩托车、卡车、运动型多用途车(SUV)、休闲车(RV)、船舶、飞机等。
示例车辆200包括推进系统20、变速器系统22、转向系统24、制动系统26、传感器系统28、致动器系统30、至少一个数据存储设备32、至少一个控制器34,以及通信系统36。在各种实施例中,推进系统20可以包括内燃机,诸如牵引发动机的电机、和/或燃料电池推进系统。变速器系统22被配置为根据可选速比向车辆轮16和18传输来自推进系统20的动力。
传感器系统28包括一个或多个感测设备40a-40n,这些感测设备感测车辆200的外部环境和/或内部环境的可观察状况(诸如一个或多个乘员的状态),并且生成与其有关的传感器数据。感测设备40a-40n可以包括,但不限于,雷达(例如,长距离、中距离-短距离)、激光雷达、全球定位系统、光学照相机(例如,前向的、360度的、后向的、侧向的、立体的等)、热(例如,红外)照相机、超声传感器、测程传感器(例如,编码器)和/或可以结合根据本主题的系统和方法使用的其他传感器。
致动器系统30包括一个或多个致动器设备42a-42n,这些致动器设备控制一个或多个车辆特征,诸如但不限于,推进系统20、变速器系统22、转向系统24以及制动系统26。在各种实施例中,车辆200还可以包括图2中未图示的内部和/或外部车辆特征,诸如各种门、行李箱,以及舱室特征,诸如空气、音乐、照明、触摸屏显示部件(诸如结合导航系统使用的部件)等。
控制器34包括至少一个处理器44和计算机可读存储设备或介质46。处理器44可以是任意定制或可商购的处理器、中央处理单元(CPU)、图形处理单元(GPU)、专用集成电路(例如,实施神经网络的定制专用集成电路)、现场可编程门阵列、与控制器34相关联的若干处理器当中的辅助处理器、基于半导体的微处理器(为微芯片或芯片集的形式)、其任意组合、或通常为用于执行指令的任意设备。计算机可读存储设备或介质46例如可以包括只读存储器(ROM)、随机存取存储器(RAM)以及保活存储器(KAM)中的易失性和非易失性存储。保活存储器是可以用于在处理器44电源中断时存储各种操作变量的永久或非易失性存储器。计算机可读存储设备或介质46可以使用若干已知存储设备中的任意一个来实施,诸如PROM(可编程只读存储器)、EPROM(电可编程只读存储器)、EEPROM(电可擦可编程只读存储器)、闪速存储器、或能够存储由控制器34用于控制车辆200的数据的任意其他电、磁、光或组合存储设备,该数据的一些表示可执行指令。在各种实施例中,控制器34被配置为实施如下面详细讨论的地图数据采集模块210。
控制器34可以实施地图数据采集模块210。即,控制器34的合适软件和/或硬件部件(例如,处理器44和计算机可读存储设备46)用于提供结合车辆200使用的地图数据采集模块210。
指令可以包括一个或多个单独程序,这些程序中的每一个包括用于实施逻辑功能的可执行指令的有序列表。指令在由处理器44执行时,接收并处理来自传感器系统28的信号(例如,传感器数据),执行用于控制车辆200的部件的逻辑、计算、方法和/或算法,并且生成控制信号,这些控制信号发送到致动器系统30,以基于逻辑、计算、方法和/或算法自动控制车辆200的部件。虽然图2中仅示出了一个控制器34,但车辆200的实施例可以包括任意数量的控制器34,这些控制器通过合适的通信介质或通信介质的组合通信,并且协作来处理传感器信号、执行逻辑、计算、方法和/或算法,并且生成自动控制车辆200的特征的控制信号。
通信系统36被配置为向和从其他实体48无线地通信信息,这些实体诸如但不限于,其他车辆(“V2V”通信)、基础设施(“V2I”通信)、网络(“V2N”通信)、行人(“V2P”通信)、远程传输系统和/或用户设备。在示例性实施例中,通信系统36是无线通信系统,该无线通信系统被配置为经由使用IEEE 802.11标准的无线局域网(WLAN)或通过使用蜂窝数据通信来通信。然而,诸如专用短距离通信(DSRC)信道的另外或另选通信方法也被认为在本发明的范围内。专用短距离通信信道提及为自主使用专门设计的单向或双向短距离到中距离无线通信信道以及对应的一组协议和标准。
图3是描绘了示例子模块和在示例地图生成模块300中执行的操作的框图。示例地图生成模块300包括数据预处理模块302和地图数据生成模块304。示例预处理模块302被配置为以以下方式将输入数据301格式化,该方式可以由地图数据生成模块304中的子模块用于生成用于由自主车辆用于导航的详细自主车辆地图文件303。
示例数据预处理模块302被配置为检索用于示例地图生成模块300的输入数据301。示例输入数据301包括要包括在自主车辆地图文件303中的、来自沿着一个或多个道路往下行进的一个或多个车辆的自动捕捉的位置和移动数据305。示例位置数据305由车辆经由车载全球定位系统传感器自动捕捉,并且包括纬度、精度以及前进方向数据。示例移动数据305由车辆经由车载IMU传感器和车载测程传感器中的一者或多者自动捕捉,并且包括测程和加速度数据。示例感知数据307由车辆经由照相机、激光雷达以及雷达中的一者或多者自动捕捉,并且包括:车道边缘和车道标记检测数据,识别用于道路的车道边缘和车道标记的位置;交通标志数据,识别与道路相关联的交通标志的位置;以及交通信号通知设备数据,识别用于道路的交通信号通知设备的位置。输入数据301可以已经由地图数据采集模块108/210采集,并且经由地图数据采集模块108/210发送到地图生成模块300。示例输入数据301还可以包括例如来自诸如由开放街道图提供的地图的导航地图的更低精度导航地图数据309。
示例数据预处理模块302还被配置为预处理输入数据301,以使捕捉的感知数据307与捕捉的位置和移动数据305和导航地图数据309相关联。预处理可以包括:聚合多个文件(操作312),各个文件含有沿着一个或多个道路往下的车辆的轨迹;并且预处理各文件(操作314)。预处理文件可以包括:解析文件中的数据(操作316);使数据中的轨迹相关联到行进路线(操作318);使相关联的数据串行化(操作320);以及使相关联的数据视觉化(操作322)。
示例地图数据生成模块304被配置为从预处理的数据确定车道位置信息、交通设备位置信息以及车道级交叉路口信息。示例地图数据生成模块304包括:车道寻找和排序模块306,被配置为从输入数据生成车道边界数据;交通设备和标志查找和放置模块308,被配置为生成交通设备位置数据和交通标志位置数据;以及车道级交叉路口查找和连接模块310,被配置为连接借助车道边界数据识别的相交和相邻车道。
示例地图数据生成模块304借助其子模块(车道查找和排序模块306、交通设备和标志查找和放置模块308以及车道级交叉路口查找和连接模块310),被配置为生成自主车辆地图文件303,该地图文件被详述至足以由自主车辆用于导航。自主车辆地图文件303可以包括详述的车道位置数据、详述的交叉路口位置数据、详述的交通设备位置数据、详述的交通标志位置数据、详述的车道连接数据、详细的车道限速数据以及详述的设备车道相关联。示例地图数据生成模块304还被配置为将详述信息存储为自主车辆地图文件303的形式。
图4是描绘了在执行与车道查找与排序有关的操作时在示例地图生成模块400中执行的示例操作的框图。示例地图生成模块400包括数据预处理模块402和地图数据生成模块404。示例预处理模块402被配置为以以下方式将输入数据401格式化,该方式可以由地图数据生成模块404用于生成用于由自主车辆用于导航的详细自主车辆地图文件403。
示例数据预处理模块402被配置为检索用于示例地图生成模块400的输入数据401。示例输入数据401包括要包括在自主车辆地图文件403中的、来自沿着一个或多个道路往下行进的一个或多个车辆的自动捕捉的位置数据、移动数据305以及感知数据。输入数据401可以已经由地图数据采集模块108/210采集,并且经由地图数据采集模块108/210发送到地图生成模块400。示例输入数据401还可以包括更低精度导航地图数据。
示例数据预处理模块402还被配置为预处理输入数据401,以使捕捉的感知数据307与捕捉的位置、移动以及导航地图数据相关联。预处理可以包括:聚合多个文件(操作406),各个文件含有沿着一个或多个道路往下的车辆的轨迹;并且预处理各文件(操作408)。预处理文件可以包括:使数据中的轨迹相关联到路段(操作410);提取边缘标记并使其相关联到路段(操作412);以及聚合连接轨迹点(操作414)。
示例地图数据生成模块404被配置为从预处理的数据确定车道位置信息。示例地图数据生成模块404包括被配置为由输入数据401生成车道边界数据的车道查找和排序模块416。
示例地图数据生成模块404借助车道查找和排序模块416,被配置为生成用于自主车辆地图文件403的车道位置信息,该地图文件详述至足以由自主车辆用于导航。自主车辆地图文件403可以包括详述的车道位置数据、详述的交叉路口位置数据、详述的交通设备位置数据、详述的交通标志位置数据、详述的车道连接数据、详细的车道限速数据以及详述的设备车道相关联。示例地图数据生成模块404还被配置为将详述信息存储为自主车辆地图文件403的形式。
示例车道查找和排序模块416被配置为从预处理的数据确定车道位置信息。示例车道查找和排序模块416被配置为通过以下方式确定车道位置信息:将用于道路的车辆轨迹信息分成用于车道段的车辆轨迹信息的多个聚类(操作418);以及将轨迹信息用于车道段以识别车道段连接点,来连接用于多个车道段的车道边界数据,以构建用于车道的车道边界数据(操作420)。示例车道查找和排序模块416被配置为:通过向车道段轨迹信息应用聚类技术以确定用于车道段的车道段边界,来分离车道轨迹信息。示例聚类技术包括:向最显著的车道边缘推送轨迹位置不确定性(操作422);向车道轨迹信息应用自底向上聚类技术,以确定车道边缘位置信息(操作424);向车道边缘位置信息应用多轨迹内距离测量(操作426);在车道之间实施最小跨度(操作428);从各聚类去除离群值(操作430);以及查找用于各聚类的原型(操作432),其中,原型识别车道边界。
图5A是描绘了示例过程500中的示例操作的过程流程图,该过程在示例地图生成模块400中被执行为以批量形式且不增量地更新车道边缘或将车道边缘作为一起分析的一批数据且不增量地更新。示例过程500包括从各聚类去除离群值(操作502)和查找用于各聚类的原型(操作504)的操作。用于从各聚类去除离群值的示例操作包括:在车道聚类内确定最远的一对轨迹(操作506);向所有对的轨迹应用紧密度测量的加权组合(操作508);以及消除最远的一对轨迹(操作510)。用于查找用于各聚类的原型的示例操作包括:重复用于从各聚类去除离群值的操作,直到满足离群值阈值为止(操作512);计算剩余聚类成员的加权平均值(沿着足迹)(操作514);以及将加权平均值计算的结果设置为车道原型(操作516)。
图5B是描绘了示例过程520中的示例操作的过程流程图,该过程在示例地图生成模块400中被执行为增量实时地更新车道边缘。示例过程500包括从各聚类去除离群值和用于查找用于各聚类的原型的操作。示例过程520包括从各聚类去除离群值和通过使用卡尔曼滤波器522融合数据和先验知识来查找用于各聚类的原型。卡尔曼滤波器522可以使输出平滑,该输出在数据缺失时收敛为标称车道宽度和中心。示例过程520包括使用卡尔曼滤波器522、来自车道传感器524的数据以及来自全球定位系统传感器526的数据。
在示例过程520中,将来自车道传感器(524)的数据用于计算车道框架中的车道距离(操作528)。还将来自车道传感器(524)的数据用于计算车道框架中的主车辆前进方向(操作530)。计算的车道距离输入到鲁棒卡尔曼滤波器(522)。同时,还将来自全球定位系统传感器(526)的数据用于确定全球框架中的主车辆速度(操作532)。使用全球框架(532)中的主车辆速度和车道框架(530)中的主车辆前进方向计算主车辆的纵向速度(操作532)。计算的纵向速度(534)还输入到鲁棒卡尔曼滤波器(522)。鲁棒卡尔曼滤波器(522)输出融合的车道中心和宽度位置信息(536)。将融合的车道中心和宽度位置信息(536)转换成主车辆框架(操作538)。从全球定位系统传感器(526)导出全球框架(540)中的主车辆前进方向。将全球框架(540)中的主车辆前进方向用于将主车辆框架(538)中的融合车道中心和宽度位置转换到全球框架(操作542)。将全球框架(544)中的主车辆位置与全球框架(542)中的融合车道中心和宽度位置求和(操作546),以产生全球框架(548)中的车道边缘坐标。
图6是描绘了在执行与生成包括在自主车辆地图文件中的交通设备和交通标志位置数据有关的操作时在示例地图生成模块600中执行的示例操作的框图。示例地图生成模块600包括数据预处理模块602和地图数据生成模块604。示例预处理模块602被配置为以以下方式将输入数据601格式化,该方式可以由地图数据生成模块604用于生成用于由自主车辆用于导航的详细自主车辆地图文件603。
示例数据预处理模块602被配置为检索用于示例地图生成模块600的输入数据601。示例输入数据601包括要包括在自主车辆地图文件603中的、来自沿着一个或多个道路往下行进的一个或多个车辆的自动捕捉的位置数据、移动数据305以及感知数据。输入数据601可以已经由地图数据采集模块108/210采集,并且经由地图数据采集模块108/210发送到地图生成模块600。示例输入数据601还可以包括更低精度导航地图数据。
示例数据预处理模块602还被配置为预处理输入数据601,以使捕捉的感知数据307与捕捉的位置、移动以及导航地图数据相关联。预处理可以包括:聚合多个文件(操作606),各个文件含有沿着一个或多个道路往下的车辆的轨迹;并且预处理各文件(操作608)。预处理文件可以包括:使数据中的轨迹相关联到路段(操作610);以及使数据中的轨迹相关联到交叉路口(操作612)。
示例地图数据生成模块604被配置为从预处理的数据确定交通设备位置和交通标志位置信息。示例地图数据生成模块604包括被配置为由输入数据601生成交通设备位置和交通标志位置信息的交通设备和标志查找和放置模块614。
示例地图数据生成模块604借助交通设备和标志查找和放置模块614,被配置为通过以下方式生成交通设备位置和交通标志位置信息:查找用于各车道/交叉路口的代表设备的子集(操作616);以及将设备连接到车道和交叉路口(操作618)。查找用于各车道/交叉路口的代表设备的子集涉及使用聚类技术。聚类技术包括:去除更低精度设备位置(操作620);向设备位置和交通标志位置信息应用自底向上聚类技术(操作622);在交通设备位置和交通标志位置信息之间实施最小跨度(操作624);从各聚类去除离群值(操作626);以及查找用于各聚类的原型(操作628),其中,原型识别交通设备位置或交通标志位置。
图7是描绘了在执行与连接借助车道边界数据识别的相交和相邻车道有关的操作时在示例地图生成模块700中执行的示例操作的框图。示例地图生成模块700包括地图数据生成模块702。示例地图数据生成模块702被配置为检索结合车道查找和排序模块(例如,车道查找和排序模块416)生成的车道位置信息数据701。
示例地图数据生成模块702被配置为通过以下方式连接借助车道边界数据识别的相交和相邻车道:识别车道段和交叉路口(操作704);以及创建连接(操作706)。示例地图数据生成模块702被配置为通过以下方式创建连接:查找来自类似源的车道段(操作708);以及创建连接(操作710)。
在一个示例实施方案中,这些操作涉及查找在交叉路口处连接的一对路线段(开放街道图)(操作712);以及填充车道段连接属性和交叉路口进入车道属性(操作714)。查找在交叉路口处连接的一对路线段(开放街道图)可以通过以下方式执行:尝试选择来自路线段对中的同一源(行驶计程仪)的车道段(操作716)。如果未找到来自路线段对中的同一源的车道段,那么查找聚类过程中的消除源,并且检查源匹配(操作718)。如果找到来自路线段对中的同一源的车道段,那么从行驶点或通过创建新连接二者之一来连接它们(操作720)。执行这些操作可以产生交叉路口数据703处的连接车道,以便包括在自主车辆地图文件中。
图8是描绘了用于自主车辆地图构建的示例过程800的过程流程图。示例过程800内的操作顺序不限于如图中图示的顺序执行,而是可以按如适用且根据本发明的一个或多个变化的顺序来执行。
示例过程800包括从沿着道路往下行驶的自主车辆自动捕捉位置数据、移动数据以及传感器数据(操作802)。位置数据可以经由全球定位系统传感器来捕捉并包括纬度、经度以及前进方向数据。移动数据可以经由惯性测量单元传感器和测程传感器中的一者或多者捕捉,并且包括测程和加速度数据。传感器数据可以经由照相机、激光雷达以及雷达中的一者或多者捕捉,并且包括道路的车道边缘和车道标记检测数据、道路的交通标志数据以及道路的交通信号通知设备数据。
示例过程800还包括预处理捕捉的位置、移动以及传感器数据,以使捕捉的传感器数据与捕捉的位置数据、捕捉的移动数据以及导航地图数据相关联(操作804)。预处理可以以与示例数据预处理模块402和示例数据预处理模块602被配置为执行的操作一致的方式来执行。
示例过程800还包括从预处理的数据确定车道位置信息、交通设备位置信息以及车道级交叉路口数据(操作806)。确定可以以与示例地图数据生成模块404、示例地图数据生成模块604以及示例地图数据生成模块702被配置为执行的操作一致的方式来执行。
最后,示例过程800包括将车道信息、交通设备位置信息以及车道级交叉路口数据存储为地图文件形式(操作808),该地图文件被配置为由自主车辆用于导航道路。
虽然在前述的具体实施方式中提出了至少一个示例性实施例,但应理解,大量的变更存在。还应理解,示例性实施例仅是示例,并且不旨在以任何方式限制本发明的范围、应用性或构造。相反,前述具体实施方式将向本领域技术人员提供用于实施示例性实施例的方便道路地图。应理解,可以在不偏离如在所附权利要求及其法定等同物中阐述的本发明的范围的情况下,在元件的功能和结构方面进行各种改变。
Claims (10)
1.一种用于自主车辆地图构建的处理器实施的方法,所述方法包括:
从已经沿着道路往下行进的车辆自动捕捉位置数据、移动数据以及感知数据,所述位置数据经由GPS传感器来捕捉并包括纬度、经度以及前进方向数据,所述移动数据经由惯性测量单元(IMU)传感器和测程传感器中的一者或多者捕捉,并且包括测程和加速度数据,所述感知数据经由照相机、激光雷达以及雷达中的一者或多者捕捉,并且包括:车道边缘和车道标记检测数据,识别用于所述道路的车道边缘和车道标记的位置;交通标志数据,识别与所述道路相关联的交通标志的位置;以及交通信号通知设备数据,识别用于所述道路的交通信号通知设备的位置;
用处理器,预处理所述捕捉的位置、移动以及感知数据,以使所述捕捉的感知数据与所述捕捉的位置数据、捕捉的移动数据以及导航地图数据相关联;
用所述处理器从所述预处理的数据确定车道边界数据、交通设备和标志位置数据、以及车道级交叉路口数据,所述车道级交叉路口数据连接借助所述车道边界数据识别的相交和相邻车道;以及
在非瞬态计算机可读介质上,将所述车道边界数据、交通设备和标志位置数据,以及车道级交叉路口数据存储在地图文件中,所述地图文件被配置为由自主车辆用于导航所述道路。
2.根据权利要求1所述的方法,其中,所述确定车道边界数据包括:
从所述预处理的数据检索车辆轨迹信息;
将用于道路的所述车辆轨迹信息分成用于车道段的车辆轨迹信息的多个聚类;
使用聚类技术从用于车道段的车辆轨迹信息的聚类确定用于车道段的车道边界数据;以及
将轨迹信息用于车道段以识别车道段连接点,来连接用于多个车道段的车道边界数据,以构建用于车道的车道边界数据。
3.根据权利要求2所述的方法,其中,所述确定用于车道段的车道边界数据包括:向用于所述车道段的轨迹信息的所述聚类应用自底向上聚类技术;从所述聚类去除离群值;以及查找用于所述聚类的原型,其中,所述原型识别车道边界。
4.根据权利要求3所述的方法,其中,所述查找用于所述聚类的原型包括:通过将一批数据一起分析来更新车道边缘,所述将一批数据一起分析包括从所述聚类去除离群值,直到满足离群值阈值为止;计算剩余聚类成员的加权平均值;以及将所述加权平均值计算的结果设置为所述车道原型。
5.根据权利要求3所述的方法,其中,所述查找用于所述聚类的原型包括通过应用卡尔曼滤波器以查找用于所述聚类的所述原型来实时增量地更新车道边缘。
6.根据权利要求1所述的方法,其中,所述确定交通设备和标志位置数据包括:查找与各车道和交叉路口相关联的交通设备和标志;以及将所述交通设备和标志连接到所述相关联的车道和交叉路口。
7.根据权利要求6所述的方法,其中,所述查找与各车道和交叉路口相关联的交通设备和标志包括:
从交通设备和标志位置数据去除更低精度设备位置;
向所述交通设备和标志位置数据应用自底向上聚类技术;
在所述交通设备和标志位置数据之间实施最小跨度;
从各聚类去除离群值;以及
查找用于各聚类的原型,其中,所述原型识别交通设备位置或交通标志位置。
8.根据权利要求7所述的方法,其中,所述查找用于所述聚类的原型包括以下二者之一:
从所述聚类去除离群值,直到满足离群值阈值为止;计算剩余聚类成员的加权平均值;以及将加权平均值计算的结果设置为车道原型;或
应用卡尔曼滤波器,以查找用于所述聚类的所述原型。
9.根据权利要求1所述的方法,其中,所述确定车道级交叉路口数据包括:
查找在交叉路口处连接的所述一对路段;以及
填充车道段连接属性和交叉路口进入车道属性,以识别所述车道级交叉路口数据中的相交车道。
10.一种自主车辆地图构建模块,所述自主车辆地图构建模块包括由非瞬态计算机可读介质中的可编程指令配置的一个或多个处理器,所述自主车辆地图构建模块被配置为:
从沿着道路往下行进的车辆自动检索位置数据、移动数据以及感知数据,所述位置数据、移动数据以及感知数据已经在所述车辆中自动捕捉,所述位置数据经由全球定位系统传感器来捕捉并包括纬度、经度以及前进方向数据,所述移动数据经由惯性测量单元传感器和测程传感器中的一者或多者捕捉,并且包括测程和加速度数据,所述感知数据经由照相机、激光雷达以及雷达中的一者或多者捕捉,并且包括:车道边缘和车道标记检测数据,识别用于所述道路的车道边缘和车道标记的位置;交通标志数据,识别与所述道路相关联的交通标志的位置;以及交通信号通知设备数据,识别用于所述道路的交通信号通知设备的位置;
预处理所述捕捉的位置、移动以及感知数据,以使所述捕捉的感知数据与所述捕捉的位置数据、捕捉的移动数据以及导航地图数据相关联;
从所述预处理的数据,确定车道边界数据、交通设备和标志位置数据、以及车道级交叉路口数据,所述车道级交叉路口数据连接借助所述车道边界数据识别的相交和相邻车道;并且
在非瞬态计算机可读介质上,将所述车道边界数据、交通设备和标志位置数据,以及车道级交叉路口数据存储在地图文件,所述地图文件被配置为由自主车辆用于导航所述道路。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/186,021 US20200149896A1 (en) | 2018-11-09 | 2018-11-09 | System to derive an autonomous vehicle enabling drivable map |
US16/186021 | 2018-11-09 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111177288A true CN111177288A (zh) | 2020-05-19 |
Family
ID=70469143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910501664.9A Pending CN111177288A (zh) | 2018-11-09 | 2019-06-11 | 用于导出自主车辆启用的可行驶地图的系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200149896A1 (zh) |
CN (1) | CN111177288A (zh) |
DE (1) | DE102019115059A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112595728A (zh) * | 2021-03-03 | 2021-04-02 | 腾讯科技(深圳)有限公司 | 一种道路问题确定方法和相关装置 |
CN114427876A (zh) * | 2021-12-15 | 2022-05-03 | 武汉中海庭数据技术有限公司 | 一种交通看板关联关系的自动化检查方法及系统 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364890B (zh) * | 2020-10-20 | 2022-05-03 | 武汉大学 | 利用出租车轨迹制作城市可导航路网的交叉口引导方法 |
US20220242440A1 (en) * | 2021-01-29 | 2022-08-04 | Argo AI, LLC | Methods and system for generating a lane-level map for an area of interest for navigation of an autonomous vehicle |
DE112022002829T5 (de) * | 2021-05-28 | 2024-03-14 | Nvidia Corporation | Wahrnehmungsbasierte schilderfassung und -interpretation für autonome maschinensysteme und -anwendungen |
CN113701770A (zh) * | 2021-07-16 | 2021-11-26 | 西安电子科技大学 | 一种高精地图生成方法及系统 |
US11845429B2 (en) * | 2021-09-30 | 2023-12-19 | GM Global Technology Operations LLC | Localizing and updating a map using interpolated lane edge data |
US11987251B2 (en) | 2021-11-15 | 2024-05-21 | GM Global Technology Operations LLC | Adaptive rationalizer for vehicle perception systems toward robust automated driving control |
CN114708726B (zh) * | 2022-03-18 | 2023-12-01 | 北京百度网讯科技有限公司 | 交通限制的处理方法、装置、设备以及存储介质 |
US20230408294A1 (en) * | 2022-06-21 | 2023-12-21 | Atieva, Inc. | Unsupervised metadata generation for vehicle data logs |
CN114994673B (zh) * | 2022-08-04 | 2022-10-21 | 南京隼眼电子科技有限公司 | 用于雷达的道路地图生成方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718860A (zh) * | 2016-01-15 | 2016-06-29 | 武汉光庭科技有限公司 | 基于驾驶安全地图及双目交通标志识别的定位方法及系统 |
CN106441319A (zh) * | 2016-09-23 | 2017-02-22 | 中国科学院合肥物质科学研究院 | 一种无人驾驶车辆车道级导航地图的生成系统及方法 |
US20180189578A1 (en) * | 2016-12-30 | 2018-07-05 | DeepMap Inc. | Lane Network Construction Using High Definition Maps for Autonomous Vehicles |
CN108604292A (zh) * | 2015-11-26 | 2018-09-28 | 御眼视觉技术有限公司 | 对切入车道的车辆的自动预测和利他响应 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090140887A1 (en) * | 2007-11-29 | 2009-06-04 | Breed David S | Mapping Techniques Using Probe Vehicles |
EP3154835A1 (en) * | 2014-06-10 | 2017-04-19 | Mobileye Vision Technologies Ltd. | Top-down refinement in lane marking navigation |
US9721471B2 (en) * | 2014-12-16 | 2017-08-01 | Here Global B.V. | Learning lanes from radar data |
EP3734504A1 (en) * | 2015-02-10 | 2020-11-04 | Mobileye Vision Technologies Ltd. | Sparse map for autonomous vehicle navigation |
-
2018
- 2018-11-09 US US16/186,021 patent/US20200149896A1/en not_active Abandoned
-
2019
- 2019-06-04 DE DE102019115059.0A patent/DE102019115059A1/de not_active Withdrawn
- 2019-06-11 CN CN201910501664.9A patent/CN111177288A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108604292A (zh) * | 2015-11-26 | 2018-09-28 | 御眼视觉技术有限公司 | 对切入车道的车辆的自动预测和利他响应 |
CN105718860A (zh) * | 2016-01-15 | 2016-06-29 | 武汉光庭科技有限公司 | 基于驾驶安全地图及双目交通标志识别的定位方法及系统 |
CN106441319A (zh) * | 2016-09-23 | 2017-02-22 | 中国科学院合肥物质科学研究院 | 一种无人驾驶车辆车道级导航地图的生成系统及方法 |
US20180189578A1 (en) * | 2016-12-30 | 2018-07-05 | DeepMap Inc. | Lane Network Construction Using High Definition Maps for Autonomous Vehicles |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112595728A (zh) * | 2021-03-03 | 2021-04-02 | 腾讯科技(深圳)有限公司 | 一种道路问题确定方法和相关装置 |
CN114427876A (zh) * | 2021-12-15 | 2022-05-03 | 武汉中海庭数据技术有限公司 | 一种交通看板关联关系的自动化检查方法及系统 |
CN114427876B (zh) * | 2021-12-15 | 2023-11-28 | 武汉中海庭数据技术有限公司 | 一种交通看板关联关系的自动化检查方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
DE102019115059A1 (de) | 2020-05-14 |
US20200149896A1 (en) | 2020-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111177288A (zh) | 用于导出自主车辆启用的可行驶地图的系统 | |
US11181922B2 (en) | Extension of autonomous driving functionality to new regions | |
US10753750B2 (en) | System and method for mapping through inferences of observed objects | |
US11423677B2 (en) | Automatic detection and positioning of pole-like objects in 3D | |
US10528055B2 (en) | Road sign recognition | |
EP3647734A1 (en) | Automatic generation of dimensionally reduced maps and spatiotemporal localization for navigation of a vehicle | |
US11216000B2 (en) | System and method for estimating lane prediction errors for lane segments | |
EP3299921A1 (en) | Location specific assistance for autonomous vehicle control system | |
EP3651064A1 (en) | Deep learning for object detection using pillars | |
US10553117B1 (en) | System and method for determining lane occupancy of surrounding vehicles | |
US10699565B2 (en) | Systems and methods for inferring lane obstructions | |
US20220057806A1 (en) | Systems and methods for obstacle detection using a neural network model, depth maps, and segmentation maps | |
KR20210047341A (ko) | 모션 그래프 구성 및 차선 레벨 루트 계획 | |
CN115552200A (zh) | 用于生成重要性占据栅格地图的方法和系统 | |
US20210389133A1 (en) | Systems and methods for deriving path-prior data using collected trajectories | |
WO2019195526A1 (en) | Systems and methods for determining traffic flow using observations of surrounding vehicles | |
US20200231164A1 (en) | System and method for providing lane curvature estimates | |
US20220063612A1 (en) | Systems and methods for improving path selection for automated driving | |
US20230351773A1 (en) | Systems and methods for detecting traffic lights corresponding to a driving lane | |
US11619511B2 (en) | System and method for local storage based mapping | |
US11878684B2 (en) | System and method for trajectory prediction using a predicted endpoint conditioned network | |
US11238292B2 (en) | Systems and methods for determining the direction of an object in an image | |
US20230334873A1 (en) | Systems and methods for detecting traffic lights using hierarchical modeling | |
US20230154038A1 (en) | Producing a depth map from two-dimensional images | |
US20240192021A1 (en) | Handling Road Marking Changes |
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: 20200519 |
|
WD01 | Invention patent application deemed withdrawn after publication |