CN111209805A - 一种车道线众包数据的多道路片段数据的快速融合优化方法 - Google Patents
一种车道线众包数据的多道路片段数据的快速融合优化方法 Download PDFInfo
- Publication number
- CN111209805A CN111209805A CN201911351728.8A CN201911351728A CN111209805A CN 111209805 A CN111209805 A CN 111209805A CN 201911351728 A CN201911351728 A CN 201911351728A CN 111209805 A CN111209805 A CN 111209805A
- Authority
- CN
- China
- Prior art keywords
- point
- shape
- lane line
- data
- points
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种车道线众包数据的多道路片段数据的快速融合优化方法,包括:将多道路片段数据的坐标转换为平面坐标;设定起点形点和方向,对各个形点进行局部拟合优化,形成多段整条车道线;对车道线进行形点排序错误修改和错误断裂补全后生成车道线集。可以从杂乱的原始输入数据点中得到精度较高,且完整性、连续性较好的车道线形点,并可以得到车道线对应的直线方程,因而得到了矢量化的车道线数据;执行简便快捷,对输入数据的要求少,鲁棒性高,可以适应2D的车道线形点数据,可以适应复杂的城区道路数据,相比现有的车道线聚类算法具有明显优势。
Description
技术领域
本发明涉及高精度地图领域,尤其涉及一种车道线众包数据的多道路片段数据的快速融合优化方法。
背景技术
在自动驾驶领域,为准确控制车辆行驶,常涉及到高精度地图的绘制,高精度地图绘制的过程中,需要路面的车道线形点数据,给自动驾驶车提供车道级的驾驶指引。高精度地图可以使用价格高昂的测绘车经过长时间的数据采集绘制,但由于成本高且采集周期长、更新慢的原因难以满足高精度地图的高鲜度需求。
众包采集车相比高精度测绘车成本低,比较适宜进行广泛布置以采集高鲜度的数据,提高高精度地图的更新频率,而众包采集车精度较低,其所采集的数据点误差较大且常有错误数据点,因此希望通过多次频繁地采集的大数据量融合优化得到高精度的车道线数据,但较大的数据量意味着计算复杂度和计算时间的增加。因而在大数据量的情形下,如何对众包采集车采集的车道线的2D或3D数据,进行众包数据的融合优化成为难点。
发明内容
本发明针对现有技术中存在的技术问题,提供一种车道线众包数据的多道路片段数据的快速融合优化方法,解决现有技术中不能对众包采集车采集的车道线的2D数据进行快速、有效地融合的问题。
本发明解决上述技术问题的技术方案如下:一种车道线众包数据的多道路片段数据的快速融合优化方法,包括:步骤1,将所述多道路片段数据的坐标转换为平面坐标;
步骤2,设定起点形点和方向,对各个形点进行局部拟合优化,形成多段整条车道线;
步骤3,对所述车道线进行形点排序错误修改和错误断裂补全后生成车道线集。
本发明的有益效果是:可以从杂乱的原始输入数据点中得到精度较高,且完整性、连续性较好的车道线形点,并可以得到车道线对应的直线方程,因而得到了矢量化的车道线数据;执行简便快捷,对输入数据的要求少,鲁棒性高,可以适应2D的车道线形点数据,可以适应复杂的城区道路数据,相比现有的车道线聚类算法具有明显优势。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述步骤1包括:基于道路片段数据给出的经纬度和海拔高度坐标及所处投影带范围,采用高斯-克吕格投影法,将所述多道路片段数据的坐标转换为平面坐标。
进一步,所述步骤2中所述形点进行局部拟合优化的过程包括:
步骤201,遍历所有形点数据,选取全量形点中与所述起点形点的欧式距离小于设定距离的所述形点作为待处理点集Ω;
步骤202,构建矩形检索框,所述检索框的四个顶点为A、B、C、D,其中AB的中点为所述起点形点,BC平行于所述方向;
步骤203,从所述待处理形点数据集Ω中选取在所述检索框内的所述形点生成形点集Ω0,对所述形点集Ω0内的形点进行线性拟合优化,并在全量车道线形点集内将所述起点形点和所述形点集Ω0的形点标记为已处理;
步骤204,根据所述起点形点和所述方向,循环执行步骤201-204直至所有所述形点标记为已处理。
进一步,所述所述步骤204中,对于单条车道线;
其中,m为第a-1次局部拟合优化对所述形点集Ω0内的所述形点进行线性拟合优化后的线性方程与AB边的交点,m'为第a-1次对所述形点集Ω0内的所述形点进行线性拟合优化后的线性方程与CD边的交点。
进一步,所述拟合优化使用一般线性最小二乘法、随机一致性抽样算法、泰尔森回归算法或Huber回归算法。
进一步,所述步骤3中对所述车道线进行形点排序错误修改的过程包括:
比较单条车道线内所有形点的坐标的X轴和Y轴的变化范围;
所述X轴的变化范围大于所述Y轴的变化范围时,所述形点按照X轴坐标从小到大进行排序;
所述X轴的变化范围不大于所述Y轴的变化范围时,所述形点按照Y轴坐标从小到大进行排序。
进一步,所述步骤3中对所述车道线进行错误断裂补全修改的过程包括:
对于任意两条车道线L0和L1为车道线L0,如果所述车道线L0的尾点与所述车道线L1的首点的距离小于设定欧式距离,且中点PL到所述车道线L0的尾点和所述车道线L1的首点的行驶方向垂距均小于设定垂距阈值;
合并所述车道线L0和L1,从所述车道线集中删除所述车道线L1;
其中,所述中点PL为所述车道线L0的尾点与所述车道线L1的首点的连线的中点。
进一步,所述步骤3之后还包括:
按照顺序查找到的车道线形点作为顶点,将一次单方向的检索过程中的所有形点按照顺序添加到图中,用边连接相邻次序的两个所述顶点;
每个所述顶点包含一个ID、坐标位置、所属线性回归得到的直线方程的参数和所属直线的ID。
进一步,所述步骤3之后还包括:
以每条线性拟合优化得到的直线为单元,存储所述直线的首点坐标、尾点坐标、直线参数形成一个以直线数据为顶点的图。
采用上述进一步方案的有益效果是:首先基于经纬度坐标进行平面坐标系转换及根据点与点之间的共线关系进行车道线形点的角度或方向向量的计算,基于车道线形点坐标及其方向角度或方向向量进行同类车道线形点判断,通过多段连续同类点的拟合优化,形成多段整条车道线;再对拟合优化后的多段车道线进行错误断裂和错误连接进行处理优化;可以从杂乱的原始输入数据点中得到精度较高,且完整性、连续性较好的车道线形点,并可以得到车道线对应的直线方程,因而得到了矢量化的车道线数据;执行简便快捷,对输入数据的要求少,鲁棒性高,可以适应2D的车道线形点数据,可以适应复杂的城区道路数据,相比现有的车道线聚类算法具有明显优势。
附图说明
图1为本发明提供的一种车道线众包数据的多道路片段数据的快速融合优化方法的流程图;
图2为本发明提供的一种车道线众包数据的多道路片段数据的快速融合优化方法的实施例的流程图;
图3为本发明提供的一种对形点进行局部拟合优化的实施例的流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示为本发明提供的一种车道线众包数据的多道路片段数据的快速融合优化方法的流程图,由图1可知,该方法包括:
步骤1,将多道路片段数据的坐标转换为平面坐标。
步骤2,设定起点形点和方向,对各个形点进行局部拟合优化,形成多段整条车道线。
步骤3,对车道线进行形点排序错误修改和错误断裂补全后生成车道线集。
本发明提供的一种车道线众包数据的多道路片段数据的快速融合优化方法,可以从杂乱的原始输入数据点中得到精度较高,且完整性、连续性较好的车道线形点,并可以得到车道线对应的直线方程,因而得到了矢量化的车道线数据。执行简便快捷,对输入数据的要求少,鲁棒性高,可以适应2D的车道线形点数据,可以适应复杂的城区道路数据,相比现有的车道线聚类算法具有明显优势。
实施例1
本发明提供的一种车道线众包数据的多道路片段数据的快速融合优化方法的实施例,如图2所示为本发明提供的一种车道线众包数据的多道路片段数据的快速融合优化方法的实施例的流程图,由图2可知,该方法的实施例包括:
步骤1,将多道路片段数据的坐标转换为平面坐标。
优选的,基于道路片段数据给出的经纬度和海拔高度坐标及所处投影带范围,采用高斯-克吕格投影法,将多道路片段数据的坐标转换为平面坐标。
步骤2,设定起点形点和方向,对各个形点进行局部拟合优化,形成多段整条车道线。
优选的,如图3所示为本发明提供的一种对形点进行局部拟合优化的实施例的流程图,由图3可知,对形点进行局部拟合优化的过程包括:
步骤201,遍历所有形点数据,选取全量形点中与起点形点的欧式距离小于设定距离的形点作为待处理点集Ω。
其中,该设定距离可以为100米。
步骤202,构建矩形检索框,检索框的四个顶点为A、B、C、D,其中AB的中点为起点形点,BC平行于设定的该方向。
检索框的大小可以根据路况调整,具体可以为AB长度为1m,BC长度为10-20米。
步骤203,从待处理形点数据集Ω中选取在检索框内的形点生成形点集Ω0,对形点集Ω0内的形点进行线性拟合优化,并在全量车道线形点集内将起点形点和形点集Ω0的形点标记为已处理。
步骤204,根据起点形点和方向,循环执行步骤201-204直至所有形点标记为已处理。
步骤204中,对于单条车道线。
其中,m为第a-1次局部拟合优化对所述形点集Ω0内的所述形点进行线性拟合优化后的线性方程与AB边的交点,m'为第a-1次对所述形点集Ω0内的所述形点进行线性拟合优化后的线性方程与CD边的交点
即对于单条车道线,第一个进行局部拟合优化的检索框的起点为第一个形点,后面的检索框的起点选择上一个拟合线与检索框的尾端的交点。
形点集Ω0内的点数量小于设定的阈值数量,或者更新后的方向的变化超过设定范围,说明可能该检索框为单根车道线的最后一个检索框,即说明要开始对另一条车道线进行局部拟合优化,因此选择该条车道线的第一个形点作为起点形点。该阈值数量可以根据采集设备的采集点频率调整。
优选的,车道线在检索框内表现为直线段,对形点集Ω0内的形点进行线性拟合优化可以使用一般线性最小二乘法、随机一致性抽样(RANSAC)算法、泰尔森回归(Theil-SenRegression)算法或Huber回归(Huber Regression)等稳健的回归算法。
步骤3,对车道线进行形点排序错误修改和错误断裂补全后生成车道线集。
优选的,对车道线进行形点排序错误修改的过程包括:
比较单条车道线内所有形点的坐标的X轴和Y轴的变化范围。
X轴的变化范围大于Y轴的变化范围时,形点按照X轴坐标从小到大进行排序。
X轴的变化范围不大于Y轴的变化范围时,形点按照Y轴坐标从小到大进行排序。
具体的,max(X)、min(X)分别表示X轴坐标中的最大值和最小值,max(Y)、min(Y)分别表示Y轴坐标中的最大值和最小值。
max(X)-min(X)>max(Y)-min(Y)时,则该车道线中所有形点按照X轴坐标值从小到大排序连接成线,否则,则按照Y轴坐标值从小到大排序连接成线。所有车道线都按此规则重排序连续,即解决因形点排序错误导致的车道线错误连接。
优选的,对车道线进行错误断裂补全修改的过程包括:
对于任意两条车道线L0和L1,如果车道线L0的尾点与车道线L1的首点的距离小于设定欧式距离,且中点PL到车道线L0的尾点和车道线L1的首点的行驶方向垂距均小于设定垂距阈值。
合并车道线L0和L1为车道线L0,从车道线集中删除车道线L1。
其中,中点PL为车道线L0的尾点与车道线L1的首点的连线的中点。
设定欧式距离可以为10米,设定垂距阈值可以为0.8米。对每条车道线全部进行该操作,最后留下的车道线即为错误断裂补全后的车道线集。
优选的,步骤3之后,可以以形点或者直线的为顶点将车道线存储在图结构中。
具体的,以形点的形式将车道线存储在图结构中时,步骤3之后还包括:
按照顺序查找到的车道线形点作为顶点,将一次单方向的检索过程中的所有形点按照顺序添加到图中,用边连接相邻次序的两个顶点。
每个顶点包含一个ID、坐标位置、所属线性回归得到的直线方程的参数和所属直线的ID等属性。
单方向的检索完毕后,从另一方向上找到的所有车道线形点也依次加入到图中,并用边连接相邻次序的两个形点,每个顶点的ID作为其在图中的唯一标识。依次查找所有车道线,每条车道线上的所有形点均存储在这样的图结构中,且保证每个车道线形点的ID以及每条直线的ID均不相同。
具体的,以直线的形式将车道线存储在图结构中时,步骤3之后还包括:
以每条线性拟合优化得到的直线为单元,存储直线的首点坐标、尾点坐标、直线参数形成一个以直线数据为顶点的图。
利用车道线的图存储数据结构,结合对图进行分析的算法,可以方便地对地图上的部分拓扑特征进行判断。
本发明提供的一种车道线众包数据的多道路片段数据的快速融合优化方法,首先基于经纬度坐标进行平面坐标系转换及根据点与点之间的共线关系进行车道线形点的角度或方向向量的计算,基于车道线形点坐标及其方向角度或方向向量进行同类车道线形点判断,通过多段连续同类点的拟合优化,形成多段整条车道线;再对拟合优化后的多段车道线进行错误断裂和错误连接进行处理优化;可以从杂乱的原始输入数据点中得到精度较高,且完整性、连续性较好的车道线形点,并可以得到车道线对应的直线方程,因而得到了矢量化的车道线数据;执行简便快捷,对输入数据的要求少,鲁棒性高,可以适应2D的车道线形点数据,可以适应复杂的城区道路数据,相比现有的车道线聚类算法具有明显优势。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种车道线众包数据的多道路片段数据的快速融合优化方法,其特征在于,所述方法包括:
步骤1,将所述多道路片段数据的坐标转换为平面坐标;
步骤2,设定起点形点和方向,对各个形点进行局部拟合优化,形成多段整条车道线;
步骤3,对所述车道线进行形点排序错误修改和错误断裂补全后生成车道线集。
2.根据权利要求1所述的方法,其特征在于,所述步骤1包括:基于道路片段数据给出的经纬度和海拔高度坐标及所处投影带范围,采用高斯-克吕格投影法,将所述多道路片段数据的坐标转换为平面坐标。
3.根据权利要求1所述的方法,其特征在于,所述步骤2中所述形点进行局部拟合优化的过程包括:
步骤201,遍历所有形点数据,选取全量形点中与所述起点形点的欧式距离小于设定距离的所述形点作为待处理点集Ω;
步骤202,构建矩形检索框,所述检索框的四个顶点为A、B、C、D,其中AB的中点为所述起点形点,BC平行于所述方向;
步骤203,从所述待处理形点数据集Ω中选取在所述检索框内的所述形点生成形点集Ω0,对所述形点集Ω0内的形点进行线性拟合优化,并在全量车道线形点集内将所述起点形点和所述形点集Ω0的形点标记为已处理;
步骤204,根据所述起点形点和所述方向,循环执行步骤201-204直至所有所述形点标记为已处理。
6.根据权利要求1所述的方法,其特征在于,所述拟合优化使用一般线性最小二乘法、随机一致性抽样算法、泰尔森回归算法或Huber回归算法。
7.根据权利要求1所述的方法,其特征在于,所述步骤3中对所述车道线进行形点排序错误修改的过程包括:
比较单条车道线内所有形点的坐标的X轴和Y轴的变化范围;
所述X轴的变化范围大于所述Y轴的变化范围时,所述形点按照X轴坐标从小到大进行排序;
所述X轴的变化范围不大于所述Y轴的变化范围时,所述形点按照Y轴坐标从小到大进行排序。
8.根据权利要求1所述的方法,其特征在于,所述步骤3中对所述车道线进行错误断裂补全修改的过程包括:
对于任意两条车道线L0和L1,如果所述车道线L0的尾点与所述车道线L1的首点的距离小于设定欧式距离,且中点PL到所述车道线L0的尾点和所述车道线L1的首点的行驶方向垂距均小于设定垂距阈值;
合并所述车道线L0和L1为车道线L0,从所述车道线集中删除所述车道线L1;
其中,所述中点PL为所述车道线L0的尾点与所述车道线L1的首点的连线的中点。
9.根据权利要求1所述的方法,其特征在于,所述步骤3之后还包括:
按照顺序查找到的车道线形点作为顶点,将一次单方向的检索过程中的所有形点按照顺序添加到图中,用边连接相邻次序的两个所述顶点;
每个所述顶点包含一个ID、坐标位置、所属线性回归得到的直线方程的参数和所属直线的ID。
10.根据权利要求1所述的方法,其特征在于,所述步骤3之后还包括:
以每条线性拟合优化得到的直线为单元,存储所述直线的首点坐标、尾点坐标、直线参数形成一个以直线数据为顶点的图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911351728.8A CN111209805B (zh) | 2019-12-24 | 2019-12-24 | 车道线众包数据的多道路片段数据的快速融合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911351728.8A CN111209805B (zh) | 2019-12-24 | 2019-12-24 | 车道线众包数据的多道路片段数据的快速融合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111209805A true CN111209805A (zh) | 2020-05-29 |
CN111209805B CN111209805B (zh) | 2022-05-31 |
Family
ID=70788217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911351728.8A Active CN111209805B (zh) | 2019-12-24 | 2019-12-24 | 车道线众包数据的多道路片段数据的快速融合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111209805B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733078A (zh) * | 2020-12-29 | 2021-04-30 | 武汉中海庭数据技术有限公司 | 众包数据的多道路片段间的多线间的平滑连接方法与装置 |
CN112835363A (zh) * | 2020-12-29 | 2021-05-25 | 武汉中海庭数据技术有限公司 | 控制大范围众包地图车道线数据融合的流程的方法及装置 |
CN114435402A (zh) * | 2022-02-16 | 2022-05-06 | 智道网联科技(北京)有限公司 | 一种车道线平滑方法、装置和电子设备 |
CN114691659A (zh) * | 2022-03-30 | 2022-07-01 | 阿波罗智联(北京)科技有限公司 | 一种地图数据的优化方法、装置、设备以及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180025235A1 (en) * | 2016-07-21 | 2018-01-25 | Mobileye Vision Technologies Ltd. | Crowdsourcing the collection of road surface information |
CN109214314A (zh) * | 2018-08-17 | 2019-01-15 | 宽凳(北京)科技有限公司 | 一种车道线自动融合匹配算法 |
CN109376586A (zh) * | 2018-09-05 | 2019-02-22 | 武汉中海庭数据技术有限公司 | 基于激光点云的道路边界线交互式自动提取方法 |
CN109948413A (zh) * | 2018-12-29 | 2019-06-28 | 禾多科技(北京)有限公司 | 基于高精度地图融合的车道线检测方法 |
CN110426051A (zh) * | 2019-08-05 | 2019-11-08 | 武汉中海庭数据技术有限公司 | 一种车道线绘制方法、装置及存储介质 |
-
2019
- 2019-12-24 CN CN201911351728.8A patent/CN111209805B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180025235A1 (en) * | 2016-07-21 | 2018-01-25 | Mobileye Vision Technologies Ltd. | Crowdsourcing the collection of road surface information |
CN109214314A (zh) * | 2018-08-17 | 2019-01-15 | 宽凳(北京)科技有限公司 | 一种车道线自动融合匹配算法 |
CN109376586A (zh) * | 2018-09-05 | 2019-02-22 | 武汉中海庭数据技术有限公司 | 基于激光点云的道路边界线交互式自动提取方法 |
CN109948413A (zh) * | 2018-12-29 | 2019-06-28 | 禾多科技(北京)有限公司 | 基于高精度地图融合的车道线检测方法 |
CN110426051A (zh) * | 2019-08-05 | 2019-11-08 | 武汉中海庭数据技术有限公司 | 一种车道线绘制方法、装置及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733078A (zh) * | 2020-12-29 | 2021-04-30 | 武汉中海庭数据技术有限公司 | 众包数据的多道路片段间的多线间的平滑连接方法与装置 |
CN112835363A (zh) * | 2020-12-29 | 2021-05-25 | 武汉中海庭数据技术有限公司 | 控制大范围众包地图车道线数据融合的流程的方法及装置 |
CN112733078B (zh) * | 2020-12-29 | 2023-10-10 | 武汉中海庭数据技术有限公司 | 众包数据的多道路片段间的多线间的平滑连接方法与装置 |
CN114435402A (zh) * | 2022-02-16 | 2022-05-06 | 智道网联科技(北京)有限公司 | 一种车道线平滑方法、装置和电子设备 |
CN114435402B (zh) * | 2022-02-16 | 2024-05-31 | 智道网联科技(北京)有限公司 | 一种车道线平滑方法、装置和电子设备 |
CN114691659A (zh) * | 2022-03-30 | 2022-07-01 | 阿波罗智联(北京)科技有限公司 | 一种地图数据的优化方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111209805B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111209805B (zh) | 车道线众包数据的多道路片段数据的快速融合优化方法 | |
CN111222418B (zh) | 一种车道线的多道路片段的众包数据快速融合优化方法 | |
CN109186617B (zh) | 一种基于视觉众包数据自动生成车道级拓扑关系的方法、系统及存储器 | |
CN108088448B (zh) | 一种高精度车道组与传统道路的匹配方法及装置 | |
CN108519094B (zh) | 局部路径规划方法及云处理端 | |
KR101090925B1 (ko) | 지아이에스 기반의 선형지도 제작을 위한 하천 및 도로 중심선 작성시스템 및 그 방법 | |
CN114526739B (zh) | 移动机器人室内重定位方法、计算机装置及产品 | |
JP5385105B2 (ja) | 画像検索方法およびシステム | |
KR20190082061A (ko) | 전자 지도 중의 교차로를 인식하기 위한 방법 및 장치 | |
CN114051628B (zh) | 一种确定目标对象点云集的方法及装置 | |
CN105654483A (zh) | 三维点云全自动配准方法 | |
CN109214314B (zh) | 一种车道线自动融合匹配算法 | |
CN103744886B (zh) | 一种直接提取的k个最近邻点搜索方法 | |
CN109000656B (zh) | 基于空间聚类的水下地形匹配导航适配区选择方法 | |
CN110906940A (zh) | 一种基于轨迹方向的车道边线聚合方法 | |
CN114332291A (zh) | 一种倾斜摄影模型建筑物外轮廓规则提取方法 | |
CN111141296B (zh) | 车道线众包数据的多道路片段数据的预处理方法及系统 | |
Huang et al. | Feature matching in cadastral map integration with a case study of Beijing | |
CN110926405B (zh) | 一种基于单目视觉灭点检测的arv姿态测量方法 | |
CN111198562A (zh) | 一种众包碎片地图的空间线特征的预处理优化方法 | |
CN113487555B (zh) | 一种基于点云网格化的输电线路隐患点快速检测方法 | |
CN107369373A (zh) | 一种利用多比例尺线要素地图进行综合制图的方法 | |
CN112418193B (zh) | 一种车道线识别方法及系统 | |
CN110310322A (zh) | 一种10微米级高精度器件装配表面检测方法 | |
CN116958316B (zh) | 拓扑图生成方法、装置、计算机设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |