CN111488418B - 车辆位姿矫正方法、装置、设备及存储介质 - Google Patents
车辆位姿矫正方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111488418B CN111488418B CN202010157536.XA CN202010157536A CN111488418B CN 111488418 B CN111488418 B CN 111488418B CN 202010157536 A CN202010157536 A CN 202010157536A CN 111488418 B CN111488418 B CN 111488418B
- Authority
- CN
- China
- Prior art keywords
- pose
- line data
- lane line
- vehicle
- determining
- 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 72
- 238000012937 correction Methods 0.000 title claims abstract description 44
- 230000009466 transformation Effects 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 19
- 238000013519 translation Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Library & Information Science (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本申请公开了车辆位姿矫正方法、装置、设备及存储介质,涉及自动驾驶技术领域。具体实现方案为:构建N层树结构,N层树结构包括的各个节点满足如下条件:从下至上的每层节点依次是分辨率由高至低的高精度地图与经过位姿调整后的车道线数据的匹配度,每个父节点大于其子节点,且同一父节点,其从左至右的子节点依次变小或者不变,经过位姿调整后的车道线数据是对通过摄像头采集到的车道线数据进行位姿调整后的车道线数据;根据N层树结构,确定车辆的第一位姿;根据预设分辨率的高精度地图、通过摄像头采集到的车道线数据和车辆的初始位姿,确定车辆的第二位姿;根据车辆的第一位姿和第二位姿,矫正车辆的初始位姿。从而可以提高位姿矫正精度。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种自动驾驶技术。
背景技术
自动驾驶中车辆位姿矫正技术至关重要。目前的位姿矫正方法是:构建树结构,该树结构包括多层节点,每层节点是经过位姿变换后的感知车道线与对应分辨率的高精度地图的匹配度,其中树结构从上至下高精度地图的分辨率由低至高,即最底层的高精度地图的分辨率越高,且每个父节点大于子节点,同一个父节点的所有子节点中,从左至右依次下降。进一步地,从最底层的最左侧节点开始进行搜索,判断该最左侧节点对应的父节点的同层节点是否小于该最左侧节点,如果小于,则将该节点及其子节点删除,如果大于,则判断该同层节点中的子节点中是否存在大于最左侧节点的子节点,如果存在大于最左侧节点的子节点,则将这些子节点中的最大子节点作为最佳节点。如果不存在大于最左侧节点的子节点,则将最左侧节点作为最佳节点。最后通过最佳节点确定位姿变换后的感知车道线,而由于车辆的位姿和感知车道线的相对关系是固定的,基于此,可以确定车辆的位姿。然而,上述的位姿矫正方式存在位姿矫正精度低的问题。
发明内容
本申请提供一种车辆位姿矫正方法、装置、设备及存储介质,从而可以提高位姿矫正精度。
第一方面,本申请提供一种车辆位姿矫正方法,包括:构建N层树结构,N层树结构包括的各个节点满足如下条件:从下至上的每层节点依次是分辨率由高至低的高精度地图与经过位姿调整后的车道线数据的匹配度,每个父节点大于其子节点,且同一父节点,其从左至右的子节点依次变小或者不变,N为大于1的整数,经过位姿调整后的车道线数据是对通过摄像头采集到的车道线数据进行位姿调整后的车道线数据。
即车辆可以通过N层树结构确定车辆的第一位姿,还可以通过对高精度地图和摄像头采集到的车道线数据的比对,来确定车辆的第二位姿,当第一位姿和第二位姿之间的旋转平移变换小于预设阈值,才将车辆的初始位姿矫正至车辆的第一位姿。从而提高了位姿矫正精度。
可选的,根据预设分辨率的高精度地图、通过摄像头采集到的车道线数据和车辆的初始位姿,确定车辆的第二位姿,包括:确定预设分辨率的高精度地图和通过摄像头采集到的车道线数据中最接近的点对,最接近的点对包括:通过摄像头采集到的车道线数据上的第一点,和,预设分辨率的高精度地图上的第二点。根据第一点、第二点和车辆的初始位姿,确定车辆的第二位姿。这种位姿确定方式相对于现有的基于树结构确定位姿的方式本身更为简单,因此这种确定位姿方式效率会更高。
可选的,根据第一点、第二点和车辆的初始位姿,确定车辆的第二位姿,包括:计算从第一点到第二点的旋转平移变换。根据旋转平移变换和车辆的初始位姿,确定车辆的第二位姿。通过该方法可以有效的确定车辆的第二位姿。
可选的,根据N层树结构,确定车辆的第一位姿,包括:选择N层树结构中对应的高精度地图分辨率最高,且匹配度最高的目标节点。根据目标节点,确定车辆的第一位姿。
可选的,根据目标节点,确定车辆的第一位姿,包括:根据目标节点,确定通过摄像头采集后的车道线数据对应的调整后的车道线数据。根据车道线数据和车辆的位姿的固定关系,以及,调整后的车道线数据,确定车辆的第一位姿。通过该方法可以有效的确定第一位姿。
可选的,根据车辆的第一位姿和第二位姿,矫正车辆的初始位姿,包括:若车辆的第一位姿和第二位姿之间的旋转平移变换小于预设阈值,则将车辆的初始位姿矫正至车辆的第一位姿。也就是说,只有当通过N层树结构所确定的第一位姿和通过上述确定最距离点对的方式所确定的第二位姿比较接近时,才认为该第一位姿比较准确,基于此,车辆才将初始位姿矫正至第一位姿。
可选的,针对任一分辨率的高精度地图,计算高精度地图与经过位姿调整后的车道线数据的匹配度,包括:根据通过摄像头采集到的车道线数据的曲率,确定以车辆的初始位姿为中心的搜索窗口的大小。根据搜索窗口的大小,计算高精度地图与经过位姿调整后的车道线数据的匹配度。其中,车道线数据的曲率越大,则搜索窗口越大,车道线数据的曲率越小,则搜索窗口越小。
在本申请中,搜索窗口可以动态变化,如车道线数据的曲率越大,则搜索窗口越大,这样所计算的高精度地图与经过位姿调整后的车道线数据的匹配度更加全面。车道线数据的曲率越小,则搜索窗口越小,这种情况可以提高计算匹配度的效率。
可选的,针对任一分辨率的高精度地图,计算高精度地图与经过位姿调整后的车道线数据的匹配度,包括:根据通过摄像头采集到的车道线数据的类型,确定以车辆的初始位姿为中心的搜索窗口的大小。根据搜索窗口的大小,计算高精度地图与经过位姿调整后的车道线数据的匹配度。
可选的,根据通过摄像头采集到的车道线数据的类型,确定以车辆的初始位姿为中心的搜索窗口的大小,包括:根据通过摄像头采集到的车道线数据的类型,确定车道线数据的复杂度。根据车道线数据的复杂度,确定以车辆的初始位姿为中心的搜索窗口的大小。其中,车道线数据的复杂度越大,则搜索窗口越大,车道线数据的复杂度越小,则搜索窗口越小。
可选的,车道线数据的类型为:直道、弯道、匝道。其中,匝道的复杂度大于弯道的复杂度,弯道的复杂度大于直道的复杂度。
在本申请中,搜索窗口可以动态变化,车辆可以根据通过摄像头采集到的车道线数据的类型,确定以车辆的初始位姿为中心的搜索窗口的大小。搜索窗口越大,这样所计算的高精度地图与经过位姿调整后的车道线数据的匹配度更加全面。搜索窗口越小,这种情况可以提高计算匹配度的效率。
可选的,方法还包括:确定N层树结构中所使用的分辨率最高的高精度地图中每个栅格所表示的距离。根据通过摄像头采集到的车道线数据,确定车道宽度。根据分辨率最高的高精度地图中每个栅格所表示的距离和车道宽度,确定N层树结构的层数N。其中,N最大等于的向下取整结果。基于此,不会因为N太大,而造成N层树结构复杂度过高,位姿确定效率降低,也不会因为N太小,而造成位姿确定精度不够的问题。
下面将提供一种车辆位姿矫正装置、设备、存储介质及计算机程序产品,其内容和效果可参照上述方法部分对应的内容和效果,下面对此不再赘述。
第二方面,本申请提供一种车辆位姿矫正装置,包括:
构建模块,用于构建N层树结构,N层树结构包括的各个节点满足如下条件:从下至上的每层节点依次是分辨率由高至低的高精度地图与经过位姿调整后的车道线数据的匹配度,每个父节点大于其子节点,且同一父节点,其从左至右的子节点依次变小或者不变,N为大于1的整数,经过位姿调整后的车道线数据是对通过摄像头采集到的车道线数据进行位姿调整后的车道线数据。
第一确定模块,用于根据N层树结构,确定车辆的第一位姿。
第二确定模块,用于根据预设分辨率的高精度地图、通过摄像头采集到的车道线数据和车辆的初始位姿,确定车辆的第二位姿。
矫正模块,用于根据车辆的第一位姿和第二位姿,矫正车辆的初始位姿。
第三方面,本申请提供一种电子设备,包括:
至少一个处理器。以及
与至少一个处理器通信连接的存储器。其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行第一方面或第一方面的可选方式所述的方法。
第四方面,本申请提供一种车辆,包括如第三方面所述的电子设备和车体。
第五方面,本申请提供一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行第一方面或第一方面的可选方式所述的方法。
第六方面,本申请提供一种计算机程序产品,包括计算机指令,该指令用于使计算机执行第一方面或第一方面的可选方式所述的方法。
上述申请中的实施例具有如下优点或有益效果:车辆可以通过N层树结构确定车辆的第一位姿,还可以通过对高精度地图和摄像头采集到的车道线数据的比对,来确定车辆的第二位姿,当第一位姿和第二位姿之间的旋转平移变换小于预设阈值,才将车辆的初始位姿矫正至车辆的第一位姿。从而提高了位姿矫正精度。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请一实施例提供的应用场景示意图
图2为本申请一实施例提供的车辆位姿矫正方法的流程图;
图3为本申请一实施例提供的N层树结构的示意图;
图4为本申请一实施例提供的确定N层树结构的层数N的方法流程图;
图5为本申请一实施例提供的确定车辆的第一位姿的方法流程图;
图6为本申请一实施例提供的5层树结构的示意图;
图7为本申请一实施例提供的确定车辆的第二位姿的方法流程图;
图8为本申请一实施例提供的车道线示意图;
图9为本申请一实施例提供的确定匹配度的方法流程图;
图10为本申请另一实施例提供的确定匹配度的方法流程图;
图11为本申请一实施例提供的车辆位姿矫正装置的示意图;
图12是本申请一实施例的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
如上所述,现有技术中,基于树结构的位姿矫正方法存在矫正精度低的问题。为了解决上述技术问题,本申请提供一种车辆位姿矫正方法、装置、设备及存储介质。
本申请的发明构思是:一方面,通过对高精度地图和摄像头采集到的车道线数据的比对,确定车辆的矫正位姿;另一方面,通过基于树结构的位姿矫正方式也确定车辆的矫正位姿;最后,结合车辆的这两个矫正位姿,进行车辆位姿矫正。
示例性地,本申请的应用场景如下:图1为本申请一实施例提供的应用场景示意图,如图1所示,车辆11与服务器12可以进行无线通信,它们之间可以采用无线保真(Wireless Fidelity,WiFi)、蓝牙、移动通信技术,如第二代(2Generation,2G)、第三代(3Generation,3G)、第四代(2Generation,2G)、第四代(4Generation,4G)、第五代(5Generation,5G)或者新空口(New Radio,NR)等技术,车辆11可以从服务器12获取高精度地图。
下面通过具体实施例对本申请技术方案进行详细阐述:
图2为本申请一实施例提供的车辆位姿矫正方法的流程图,该方法的执行主体为车辆的部分或者全部,所谓车辆的部分,比如可以是车载终端,或者是车辆的处理器,示例性地,下面以车辆为执行主体,对车辆位姿矫正方法进行说明,如图2所示,该方法包括如下步骤:
步骤S201:车辆构建N层树结构,N为大于1的整数。
步骤S202:车辆根据N层树结构,确定车辆的第一位姿。
步骤S203:车辆根据预设分辨率的高精度地图、通过摄像头采集到的车道线数据和车辆的初始位姿,确定车辆的第二位姿。
步骤S204:车辆根据车辆的第一位姿和第二位姿,矫正车辆的初始位姿。
针对步骤S201进行如下说明:
图3为本申请一实施例提供的N层树结构的示意图,N层树结构包括的各个节点满足如下条件:从下至上的每层节点依次是分辨率由高至低的高精度地图与经过位姿调整后的车道线数据的匹配度,每个父节点大于其子节点,且同一父节点,其从左至右的子节点依次变小或者不变,N为大于1的整数。其中,经过位姿调整后的车道线数据是对通过摄像头采集到的车道线数据进行位姿调整后的车道线数据。
其中,车辆在对高精度地图和通过摄像头采集得到的车道线数据进行匹配时,首先,以车辆的初始位姿(即车辆的当前位姿)为中心,确定一搜索窗口,搜索窗口中各个点(也被称为栅格)表示的是车辆的矫正位姿或者可能位姿,针对搜索窗口中的各个点,从左至右从下之下的顺序,选择每一个可能位姿,由于车辆的位姿和车道线数据之间存在固定关系,因此,当车辆的位姿为上述每一个可能位姿时,通过该固定关系,可以确定该车道线数据经过位姿调整后的车道线数据。
为方便起见,本申请中将通过摄像头采集得到的车道线数据简称为采集得到的车道线数据。本申请中将车道线数据经过位姿调整后的车道线数据简称为调整后的车道线数据。
需要说明的是,在本申请中,高精度地图的分辨率与一个栅格表示的距离成反比,因此N层树结构中最底层节点所涉及的高精度地图中一个栅格表示的距离最小,最顶层节点所涉及的高精度地图中一个栅格表示的距离最大。搜索窗口中每个栅格所表示的距离与高精度地图中每个栅格所表示的距离相同。由于搜索窗口包括多个栅格,即包括多个可能位姿,因此在建立N层树结构时,每层节点可以是部分或者所有的调整后的车道线数据与高精度地图的匹配度。
可选的,N层树结构中第一层是分辨率最低的高精度地图与所有的调整后的车道线数据的匹配度中最大匹配度。该最大匹配度对应车辆的一个位姿,假设分辨率最低的高精度地图中每个栅格表示的距离是6米,而最大匹配度对应车辆的位姿在6米处,但是由于每个栅格表示的距离是6米,说明可能位姿只选取了0米、6米、12米……而6米附近的点并没有被选取,因此,当第二层高精度地图中每个栅格表示3米时,可以选取3米和9米位置处作为可能位姿,然后确定对应的调整后的车道线数据,并计算这两个位置处的车道线数据与高精度地图的匹配度。
其中,车辆可以通过如下方式确定高精度地图和调整后的车道线数据的匹配度:车辆在高精度地图中获取每一个车道线数据,计算每个车道线数据上各个点与调整后的车道线数据上各个点的距离之和,或者,计算每个车道线数据上各个点与调整后的车道线数据上各个点的距离的平方和,将该距离之和或者距离的平方和称为每个车道线数据与调整后的车道线数据的匹配度,基于此,车辆可以将与调整后的车道线数据的匹配度最高的车道线数据对应的匹配度,称为调整后的车道线数据与高精度地图的匹配度。或者,车辆可以将高精度地图中所有车道线数据与调整后的车道线数据的匹配度的平均值,称为调整后的车道线数据与高精度地图的匹配度。总之,本申请对如何确定调整后的车道线数据与高精度地图的匹配度的匹配度不做限制。
图4为本申请一实施例提供的确定N层树结构的层数N的方法流程图,如图4所示,该方法包括如下步骤:
步骤S401:车辆确定N层树结构中所使用的分辨率最高的高精度地图中每个栅格所表示的距离。
步骤S402:车辆根据通过摄像头采集到的车道线数据,确定车道宽度。
步骤S403:车辆根据分辨率最高的高精度地图中每个栅格所表示的距离和车道宽度,确定N层树结构的层数N。
其中,假设N层树结构中最底层分辨率最高的高精度地图中每个栅格所表示的距离是r,倒数第二层的高精度地图中每个栅格所表示的距离是r*2,最顶层的高精度地图中每个栅格所表示的距离是r*2N-1,通常车道包括两条车道线,为了区分开两条车道线,每个栅格表示的距离不能超过车道宽度的一半,而最顶层的高精度地图中每个栅格所表示的距离最大,也就是说,最顶层的高精度地图中每个栅格所表示的距离不能超过车道宽度的一半,具体如公式(1)所示:
则
最终N可以等于的向下取整结果。
针对步骤S202进行如下说明:
图5为本申请一实施例提供的确定车辆的第一位姿的方法流程图,如图5所示,该方法包括如下步骤:
步骤S501:车辆选择N层树结构中对应的高精度地图分辨率最高,且匹配度最高的目标节点。
步骤S502:车辆根据目标节点,确定车辆的第一位姿。
其中,车辆从最底层的最左侧节点开始进行搜索,判断该最左侧节点对应的父节点的同层节点是否小于该最左侧节点,如果小于,则将该节点及其子节点删除,如果大于,则判断该同层节点中的子节点中是否存在大于最左侧节点的子节点,如果存在大于最左侧节点的子节点,则将这些子节点中的最大子节点作为目标节点。如果不存在大于最左侧节点的子节点,则将最左侧节点作为目标节点。
示例性地,图6为本申请一实施例提供的5层树结构的示意图,如图6所示,最底层的最左侧节点匹配度为38,其父节点的同层节点匹配度从左至右依次为39、34和36,由于34和36小于最左侧节点匹配度39,并且每个子节点小于其父节点,因此可以将34和36这两个分支剪掉,然后查找39的子节点是否有比最左侧节点匹配度38大的,经过比对,确定存在一个子节点匹配度为39比38大,最终将该子节点(即最后一层从左至右第三个子节点)作为目标节点。
可选的,目标节点即为一个调整后的车道线数据与高精度地图的匹配度。当确定了目标节点之后,则可以计算出调整后的车道线数据,再根据车道线数据和车辆的位姿的固定关系,以及,计算得到的调整后的车道线数据,确定车辆的第一位姿。
针对步骤S203进行如下说明:
图7为本申请一实施例提供的确定车辆的第二位姿的方法流程图,如图7所示,该方法包括如下步骤:
步骤S701:车辆确定预设分辨率的高精度地图和通过摄像头采集到的车道线数据中最接近的点对,最接近的点对包括:通过摄像头采集到的车道线数据上的第一点,和,预设分辨率的高精度地图上的第二点。
步骤S702:车辆根据第一点、第二点和车辆的初始位姿,确定车辆的第二位姿。
其中,该预设分辨率的高精度地图可以是上述N层树结构中所涉及的任一分辨率的高精度地图,也可以不是N层树结构所涉及的高精度地图。本申请对此不做限制。
图8为本申请一实施例提供的车道线示意图,如图8所示,左侧两条车道线表示上述预设分辨率的高精度地图中的两条车道线,右侧两条车道线表示通过摄像头采集到的两条车道线。其中通过对预设分辨率的高精度地图中的车道线数据和通过摄像头采集到的车道线数据的比对,确定a点(即上述第二点)和b点(即上述第一点)的距离最近。
进一步地,由于从第一点到第二点的旋转平移变换,即RT矩阵,与从车辆的初始位姿到车辆的第二位姿的旋转平移变换应该相同,基于此,车辆可以根据旋转平移变换和车辆的初始位姿,确定车辆的第二位姿。
需要说明的是,本身中的旋转平移变换为以下任一种情况:旋转变换、平移变换、旋转和平移变换。
针对步骤S204进行说明:
可选的,若车辆的第一位姿和第二位姿之间的旋转平移变换小于预设阈值,则将车辆的初始位姿矫正至车辆的第一位姿。当上述的旋转平移变换为旋转变换时,那么该预设阈值指的是一预设旋转角度。当上述的旋转平移变换为平移变换时,那么该预设阈值指的是一预设距离。当上述的转平移变换为旋转和平移变换时,那么该预设阈值指的是一预设旋转角度和一预设距离。
假设上述的旋转平移变换为平移变换,该预设阈值是一预设距离,基于此,若车辆的第一位姿和第二位姿之间的平移变换小于预设距离,如3米,则将车辆的初始位姿矫正至车辆的第一位姿。也就是说,只有当通过N层树结构所确定的第一位姿和通过上述确定最距离点对的方式所确定的第二位姿比较接近时,才认为该第一位姿比较准确,基于此,车辆才将初始位姿矫正至第一位姿。
综上,本申请提供一种车辆位姿矫正方法,其中,车辆可以通过N层树结构确定车辆的第一位姿,还可以通过对高精度地图和摄像头采集到的车道线数据的比对,来确定车辆的第二位姿,当第一位姿和第二位姿之间的旋转平移变换小于预设阈值,才将车辆的初始位姿矫正至车辆的第一位姿。从而提高了位姿矫正精度。
进一步地,在本申请中,车辆可以确定所述预设分辨率的高精度地图和通过所述摄像头采集到的所述车道线数据中最接近的点对;根据最接近的点对和车辆的初始位姿,确定车辆的第二位姿。这种位姿确定方式相对于现有的基于树结构确定位姿的方式本身更为简单,因此这种确定位姿方式效率会更高。
此外,在本申请中,N层树结构的层数N可以根据分辨率最高的高精度地图中每个栅格所表示的距离和车道宽度计算得到,N最大等于的向下取整结果。基于此,不会因为N太大,而造成N层树结构复杂度过高,位姿确定效率降低,也不会因为N太小,而造成位姿确定精度不够的问题。
如上所述,车辆在对高精度地图和通过摄像头采集得到的车道线数据进行匹配时,首先,以车辆的初始位姿(即车辆的当前位姿)为中心,确定一搜索窗口,搜索窗口中各个点(也被称为栅格)表示的是车辆的矫正位姿或者可能位姿,针对搜索窗口中的各个点,从左至右从下之下的顺序,选择每一个可能位姿,由于车辆的位姿和车道线数据之间存在固定关系,因此,当车辆的位姿为上述每一个可能位姿时,通过该固定关系,可以确定该车道线数据经过位姿调整后的车道线数据。
其中,该搜索窗口的大小是动态变化的,基于此,下面将针对任一分辨率的高精度地图,对计算高精度地图与经过位姿调整后的车道线数据的匹配度的方法进行说明:
可选方式一:图9为本申请一实施例提供的确定匹配度的方法流程图,如图9所示,针对任一分辨率的高精度地图,该方法包括如下步骤:
步骤S901:车辆根据通过摄像头采集到的车道线数据的曲率,确定以车辆的初始位姿为中心的搜索窗口的大小。
步骤S902:车辆根据搜索窗口的大小,计算高精度地图与经过位姿调整后的车道线数据的匹配度。
其中,车道线数据的曲率越大,则搜索窗口越大,车道线数据的曲率越小,则搜索窗口越小。
如上所述,搜索窗口中的每个点即为车辆的可能位姿,而车辆的位姿和车辆的车道线数据存在固定关系,因此可以确定出每个可能位姿对应的调整后的车道线数据,进一步地,车辆可以通过如下方式确定高精度地图和调整后的车道线数据的匹配度:车辆在高精度地图中获取每一个车道线数据,计算每个车道线数据上各个点与调整后的车道线数据上各个点的距离之和,或者,计算每个车道线数据上各个点与调整后的车道线数据上各个点的距离的平方和,将该距离之和或者距离的平方和称为每个车道线数据与调整后的车道线数据的匹配度,基于此,车辆可以将与调整后的车道线数据的匹配度最高的车道线数据对应的匹配度,称为调整后的车道线数据与高精度地图的匹配度。或者,车辆可以将高精度地图中所有车道线数据与调整后的车道线数据的匹配度的平均值,称为调整后的车道线数据与高精度地图的匹配度。总之,本申请对如何确定调整后的车道线数据与高精度地图的匹配度的匹配度不做限制。
综上,在本申请中,搜索窗口可以动态变化,如车道线数据的曲率越大,则搜索窗口越大,这样所计算的高精度地图与经过位姿调整后的车道线数据的匹配度更加全面。车道线数据的曲率越小,则搜索窗口越小,这种情况可以提高计算匹配度的效率。
可选方式二:图10为本申请另一实施例提供的确定匹配度的方法流程图,如图10所示,针对任一分辨率的高精度地图,该方法包括如下步骤:
步骤S1001:车辆根据通过摄像头采集到的车道线数据的类型,确定以车辆的初始位姿为中心的搜索窗口的大小。
步骤S1002:车辆根据搜索窗口的大小,计算高精度地图与经过位姿调整后的车道线数据的匹配度。
可选的,车辆根据通过摄像头采集到的车道线数据的类型,确定车道线数据的复杂度。根据车道线数据的复杂度,确定以车辆的初始位姿为中心的搜索窗口的大小。其中,车道线数据的复杂度越大,则搜索窗口越大,车道线数据的复杂度越小,则搜索窗口越小。
可选的,车道线数据的类型为:直道、弯道、匝道。其中,匝道的复杂度大于弯道的复杂度,弯道的复杂度大于直道的复杂度。
其中,步骤S1002和步骤S902相同,其解释说明可参考步骤S902的解释说明,对此不再赘述。
综上,在本申请中,搜索窗口可以动态变化,车辆可以根据通过摄像头采集到的车道线数据的类型,确定以车辆的初始位姿为中心的搜索窗口的大小。搜索窗口越大,这样所计算的高精度地图与经过位姿调整后的车道线数据的匹配度更加全面。搜索窗口越小,这种情况可以提高计算匹配度的效率。
图11为本申请一实施例提供的车辆位姿矫正装置的示意图,其中,该装置可以是车辆、车载终端或者处理器各自的部分或者全部。如图11所示,该装置包括:
构建模块1101,用于构建N层树结构,N层树结构包括的各个节点满足如下条件:从下至上的每层节点依次是分辨率由高至低的高精度地图与经过位姿调整后的车道线数据的匹配度,每个父节点大于其子节点,且同一父节点,其从左至右的子节点依次变小或者不变,N为大于1的整数,经过位姿调整后的车道线数据是对通过摄像头采集到的车道线数据进行位姿调整后的车道线数据。
第一确定模块1102,用于根据N层树结构,确定车辆的第一位姿。
第二确定模块1103,用于根据预设分辨率的高精度地图、通过摄像头采集到的车道线数据和车辆的初始位姿,确定车辆的第二位姿。
矫正模块1104,用于根据车辆的第一位姿和第二位姿,矫正车辆的初始位姿。
可选的,第二确定模块1103具体用于:确定预设分辨率的高精度地图和通过摄像头采集到的车道线数据中最接近的点对,最接近的点对包括:通过摄像头采集到的车道线数据上的第一点,和,预设分辨率的高精度地图上的第二点。根据第一点、第二点和车辆的初始位姿,确定车辆的第二位姿。
可选的,第二确定模块1103具体用于:计算从第一点到第二点的旋转平移变换。根据旋转平移变换和车辆的初始位姿,确定车辆的第二位姿。
可选的,第一确定模块1102具体用于:选择N层树结构中对应的高精度地图分辨率最高,且匹配度最高的目标节点。根据目标节点,确定车辆的第一位姿。
可选的,第一确定模块1102具体用于:根据目标节点,确定通过摄像头采集后的车道线数据对应的调整后的车道线数据。根据车道线数据和车辆的位姿的固定关系,以及,调整后的车道线数据,确定车辆的第一位姿。
可选的,矫正模块1104具体用于:若车辆的第一位姿和第二位姿之间的旋转平移变换小于预设阈值,则将车辆的初始位姿矫正至车辆的第一位姿。
可选的,装置还包括:第一计算模块1105,用于:针对任一分辨率的高精度地图,根据通过摄像头采集到的车道线数据的曲率,确定以车辆的初始位姿为中心的搜索窗口的大小。根据搜索窗口的大小,计算高精度地图与经过位姿调整后的车道线数据的匹配度。其中,车道线数据的曲率越大,则搜索窗口越大,车道线数据的曲率越小,则搜索窗口越小。
可选的,装置还包括:第二计算模块1106,用于:针对任一分辨率的高精度地图,根据通过摄像头采集到的车道线数据的类型,确定以车辆的初始位姿为中心的搜索窗口的大小。根据搜索窗口的大小,计算高精度地图与经过位姿调整后的车道线数据的匹配度。
可选的,第二计算模块1106具体用于:根据通过摄像头采集到的车道线数据的类型,确定车道线数据的复杂度。根据车道线数据的复杂度,确定以车辆的初始位姿为中心的搜索窗口的大小。其中,车道线数据的复杂度越大,则搜索窗口越大,车道线数据的复杂度越小,则搜索窗口越小。
可选的,车道线数据的类型为:直道、弯道、匝道。其中,匝道的复杂度大于弯道的复杂度,弯道的复杂度大于直道的复杂度。
可选的,装置还包括:
第三确定模块1107,用于确定N层树结构中所使用的分辨率最高的高精度地图中每个栅格所表示的距离。
第四确定模块1108,用于根据通过摄像头采集到的车道线数据,确定车道宽度。
第五确定模块1109,用于根据分辨率最高的高精度地图中每个栅格所表示的距离和车道宽度,确定N层树结构的层数N。
本申请提供的车辆位姿矫正装置可用于执行上的车辆位姿矫正方法,其内容和效果可参考上述方法实施例部分,对此不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图12所示,是根据本申请实施例的车辆位姿矫正方法的电子设备的框图。该电子设备可以是车载终端。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图12所示,该电子设备包括:一个或多个处理器1201、存储器1202,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图12中以一个处理器1201为例。
存储器1202即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的车辆位姿矫正方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的车辆位姿矫正方法。
存储器1202作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的车辆位姿矫正方法对应的程序指令/模块。处理器1201通过运行存储在存储器1202中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的车辆位姿矫正方法。
存储器1202可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据车辆位姿矫正方法的电子设备的使用所创建的数据等。此外,存储器1202可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器1202可选包括相对于处理器1201远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
车辆位姿矫正的电子设备还可以包括:输入装置1203和输出装置1204。处理器1201、存储器1202、输入装置1203和输出装置1204可以通过总线或者其他方式连接,图12中以通过总线连接为例。
输入装置1203可接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、轨迹板、触摸板等输入装置。输出装置1204可以包括显示设备等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
本申请提供的电子设备可用于执行上的车辆位姿矫正方法,其内容和效果可参考上述方法实施例部分,对此不再赘述。
本申请还提供一种车辆,包括如上所述的电子设备和车体,该电子设备可用于执行上的车辆位姿矫正方法,其内容和效果可参考上述方法实施例部分,对此不再赘述。
本申请还提供一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行上述的车辆位姿矫正方法。
本申请还提供一种计算机程序产品,该计算机程序产品包括计算机指令,该计算机指令用于使计算机执行上述的车辆位姿矫正方法。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (23)
1.一种车辆位姿矫正方法,其特征在于,包括:
构建N层树结构,所述N层树结构包括的各个节点满足如下条件:从下至上的每层节点依次是分辨率由高至低的高精度地图与经过位姿调整后的车道线数据的匹配度,每个父节点大于其子节点,且同一父节点,其从左至右的子节点依次变小或者不变,N为大于1的整数,所述经过位姿调整后的车道线数据是根据车辆的位姿和车道线数据之间的固定关系对通过摄像头采集到的车道线数据进行位姿调整后的车道线数据;
根据所述N层树结构中对应的高精度地图分辨率最高,且匹配度最高的目标节点,确定所述车辆的第一位姿;
根据预设分辨率的高精度地图、通过所述摄像头采集到的所述车道线数据和所述车辆的初始位姿,确定所述车辆的第二位姿;
根据所述车辆的第一位姿和所述第二位姿,矫正所述车辆的初始位姿至所述车辆的第一位姿;
所述根据预设分辨率的高精度地图、通过所述摄像头采集到的所述车道线数据和所述车辆的初始位姿,确定所述车辆的第二位姿,包括:
确定所述预设分辨率的高精度地图和通过所述摄像头采集到的所述车道线数据中最接近的点对,所述最接近的点对包括:通过所述摄像头采集到的所述车道线数据上的第一点,和,所述预设分辨率的高精度地图上的第二点;
根据所述第一点、所述第二点和所述车辆的初始位姿,确定所述车辆的第二位姿。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一点、所述第二点和所述车辆的初始位姿,确定所述车辆的第二位姿,包括:
计算从所述第一点到所述第二点的旋转平移变换;
根据所述旋转平移变换和所述车辆的初始位姿,确定所述车辆的第二位姿。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述N层树结构,确定所述车辆的第一位姿,包括:
选择所述N层树结构中对应的高精度地图分辨率最高,且匹配度最高的目标节点;
根据所述目标节点,确定所述车辆的第一位姿。
4.根据权利要求3所述的方法,其特征在于,所述根据所述目标节点,确定所述车辆的第一位姿,包括:
根据所述目标节点,确定通过所述摄像头采集后的车道线数据对应的调整后的车道线数据;
根据车道线数据和所述车辆的位姿的固定关系,以及,所述调整后的车道线数据,确定所述车辆的第一位姿。
5.根据权利要求1或2所述的方法,其特征在于,所述根据所述车辆的第一位姿和所述第二位姿,矫正所述车辆的初始位姿,包括:
若所述车辆的第一位姿和所述第二位姿之间的旋转平移变换小于预设阈值,则将所述车辆的初始位姿矫正至所述车辆的第一位姿。
6.根据权利要求1或2所述的方法,其特征在于,针对任一分辨率的高精度地图,计算所述高精度地图与经过位姿调整后的车道线数据的匹配度,包括:
根据通过所述摄像头采集到的所述车道线数据的曲率,确定以所述车辆的初始位姿为中心的搜索窗口的大小;
根据所述搜索窗口的大小,计算所述高精度地图与经过位姿调整后的车道线数据的匹配度;
其中,所述车道线数据的曲率越大,则所述搜索窗口越大,所述车道线数据的曲率越小,则所述搜索窗口越小。
7.根据权利要求1或2所述的方法,其特征在于,针对任一分辨率的高精度地图,计算所述高精度地图与经过位姿调整后的车道线数据的匹配度,包括:
根据通过所述摄像头采集到的所述车道线数据的类型,确定以所述车辆的初始位姿为中心的搜索窗口的大小;
根据所述搜索窗口的大小,计算所述高精度地图与经过位姿调整后的车道线数据的匹配度。
8.根据权利要求7所述的方法,其特征在于,所述根据通过所述摄像头采集到的所述车道线数据的类型,确定以所述车辆的初始位姿为中心的搜索窗口的大小,包括:
根据通过所述摄像头采集到的所述车道线数据的类型,确定所述车道线数据的复杂度;
根据所述车道线数据的复杂度,确定以所述车辆的初始位姿为中心的搜索窗口的大小;
其中,所述车道线数据的复杂度越大,则所述搜索窗口越大,所述车道线数据的复杂度越小,则所述搜索窗口越小。
9.根据权利要求8所述的方法,其特征在于,所述车道线数据的类型为:直道、弯道、匝道;
其中,所述匝道的复杂度大于所述弯道的复杂度,所述弯道的复杂度大于所述直道的复杂度。
10.根据权利要求1或2所述的方法,其特征在于,还包括:
确定所述N层树结构中所使用的分辨率最高的高精度地图中每个栅格所表示的距离;
根据通过所述摄像头采集到的车道线数据,确定车道宽度;
根据所述分辨率最高的高精度地图中每个栅格所表示的距离和所述车道宽度,确定所述N层树结构的层数N。
11.一种车辆位姿矫正装置,其特征在于,包括:
构建模块,用于构建N层树结构,所述N层树结构包括的各个节点满足如下条件:从下至上的每层节点依次是分辨率由高至低的高精度地图与经过位姿调整后的车道线数据的匹配度,每个父节点大于其子节点,且同一父节点,其从左至右的子节点依次变小或者不变,N为大于1的整数,所述经过位姿调整后的车道线数据是根据车辆的位姿和车道线数据之间的固定关系对通过摄像头采集到的车道线数据进行位姿调整后的车道线数据;
第一确定模块,用于根据所述N层树结构中对应的高精度地图分辨率最高,且匹配度最高的目标节点,确定所述车辆的第一位姿;
第二确定模块,用于根据预设分辨率的高精度地图、通过所述摄像头采集到的所述车道线数据和所述车辆的初始位姿,确定所述车辆的第二位姿;
矫正模块,用于根据所述车辆的第一位姿和所述第二位姿,矫正所述车辆的初始位姿至所述车辆的第一位姿;
所述第二确定模块具体用于:
确定所述预设分辨率的高精度地图和通过所述摄像头采集到的所述车道线数据中最接近的点对,所述最接近的点对包括:通过所述摄像头采集到的所述车道线数据上的第一点,和,所述预设分辨率的高精度地图上的第二点;
根据所述第一点、所述第二点和所述车辆的初始位姿,确定所述车辆的第二位姿。
12.根据权利要求11所述的装置,其特征在于,所述第二确定模块具体用于:
计算从所述第一点到所述第二点的旋转平移变换;
根据所述旋转平移变换和所述车辆的初始位姿,确定所述车辆的第二位姿。
13.根据权利要求11或12所述的装置,其特征在于,所述第一确定模块具体用于:
选择所述N层树结构中对应的高精度地图分辨率最高,且匹配度最高的目标节点;
根据所述目标节点,确定所述车辆的第一位姿。
14.根据权利要求13所述的装置,其特征在于,所述第一确定模块具体用于:
根据所述目标节点,确定通过所述摄像头采集后的车道线数据对应的调整后的车道线数据;
根据车道线数据和所述车辆的位姿的固定关系,以及,所述调整后的车道线数据,确定所述车辆的第一位姿。
15.根据权利要求11或12所述的装置,其特征在于,所述矫正模块具体用于:
若所述车辆的第一位姿和所述第二位姿之间的旋转平移变换小于预设阈值,则将所述车辆的初始位姿矫正至所述车辆的第一位姿。
16.根据权利要求11或12所述的装置,其特征在于,还包括:第一计算模块,用于:
针对任一分辨率的高精度地图,根据通过所述摄像头采集到的所述车道线数据的曲率,确定以所述车辆的初始位姿为中心的搜索窗口的大小;
根据所述搜索窗口的大小,计算所述高精度地图与经过位姿调整后的车道线数据的匹配度;
其中,所述车道线数据的曲率越大,则所述搜索窗口越大,所述车道线数据的曲率越小,则所述搜索窗口越小。
17.根据权利要求11或12所述的装置,其特征在于,还包括:第二计算模块,用于:
针对任一分辨率的高精度地图,根据通过所述摄像头采集到的所述车道线数据的类型,确定以所述车辆的初始位姿为中心的搜索窗口的大小;
根据所述搜索窗口的大小,计算所述高精度地图与经过位姿调整后的车道线数据的匹配度。
18.根据权利要求17所述的装置,其特征在于,所述第二计算模块具体用于:
根据通过所述摄像头采集到的所述车道线数据的类型,确定所述车道线数据的复杂度;
根据所述车道线数据的复杂度,确定以所述车辆的初始位姿为中心的搜索窗口的大小;
其中,所述车道线数据的复杂度越大,则所述搜索窗口越大,所述车道线数据的复杂度越小,则所述搜索窗口越小。
19.根据权利要求18所述的装置,其特征在于,所述车道线数据的类型为:直道、弯道、匝道;
其中,所述匝道的复杂度大于所述弯道的复杂度,所述弯道的复杂度大于所述直道的复杂度。
20.根据权利要求11或12所述的装置,其特征在于,还包括:
第三确定模块,用于确定所述N层树结构中所使用的分辨率最高的高精度地图中每个栅格所表示的距离;
第四确定模块,用于根据通过所述摄像头采集到的车道线数据,确定车道宽度;
第五确定模块,用于根据所述分辨率最高的高精度地图中每个栅格所表示的距离和所述车道宽度,确定所述N层树结构的层数N。
21.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
22.一种车辆,其特征在于,包括如权利要求21所述的电子设备和车体。
23.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010157536.XA CN111488418B (zh) | 2020-03-09 | 2020-03-09 | 车辆位姿矫正方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010157536.XA CN111488418B (zh) | 2020-03-09 | 2020-03-09 | 车辆位姿矫正方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111488418A CN111488418A (zh) | 2020-08-04 |
CN111488418B true CN111488418B (zh) | 2023-07-28 |
Family
ID=71791510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010157536.XA Active CN111488418B (zh) | 2020-03-09 | 2020-03-09 | 车辆位姿矫正方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111488418B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113094462B (zh) * | 2021-04-30 | 2023-10-24 | 腾讯科技(深圳)有限公司 | 数据处理方法和装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106899306A (zh) * | 2017-02-20 | 2017-06-27 | 武汉大学 | 一种保持移动特征的车辆轨迹线数据压缩方法 |
CN107682269A (zh) * | 2016-08-01 | 2018-02-09 | 现代自动车株式会社 | 用于配置车道节点树的系统和方法 |
CN109901595A (zh) * | 2019-04-16 | 2019-06-18 | 山东大学 | 一种基于单目摄像头和树莓派的自动驾驶系统及方法 |
CN110096051A (zh) * | 2018-01-31 | 2019-08-06 | 北京京东尚科信息技术有限公司 | 用于生成车辆控制指令的方法和装置 |
CN110377040A (zh) * | 2019-07-31 | 2019-10-25 | 北京智行者科技有限公司 | 基于行为树的自动驾驶决策方法及装置 |
CN110542436A (zh) * | 2019-09-11 | 2019-12-06 | 百度在线网络技术(北京)有限公司 | 车辆定位系统的评测方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140379254A1 (en) * | 2009-08-25 | 2014-12-25 | Tomtom Global Content B.V. | Positioning system and method for use in a vehicle navigation system |
-
2020
- 2020-03-09 CN CN202010157536.XA patent/CN111488418B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107682269A (zh) * | 2016-08-01 | 2018-02-09 | 现代自动车株式会社 | 用于配置车道节点树的系统和方法 |
CN106899306A (zh) * | 2017-02-20 | 2017-06-27 | 武汉大学 | 一种保持移动特征的车辆轨迹线数据压缩方法 |
CN110096051A (zh) * | 2018-01-31 | 2019-08-06 | 北京京东尚科信息技术有限公司 | 用于生成车辆控制指令的方法和装置 |
CN109901595A (zh) * | 2019-04-16 | 2019-06-18 | 山东大学 | 一种基于单目摄像头和树莓派的自动驾驶系统及方法 |
CN110377040A (zh) * | 2019-07-31 | 2019-10-25 | 北京智行者科技有限公司 | 基于行为树的自动驾驶决策方法及装置 |
CN110542436A (zh) * | 2019-09-11 | 2019-12-06 | 百度在线网络技术(北京)有限公司 | 车辆定位系统的评测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
仝秋红,赵忠杰.汽车驾驶智能化中路线规划及导航的最佳路径求解法.西安公路交通大学学报.1999,(第03期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111488418A (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553844B (zh) | 用于更新点云的方法及装置 | |
US11694436B2 (en) | Vehicle re-identification method, apparatus, device and storage medium | |
JP7189270B2 (ja) | 三次元物体検出方法、三次元物体検出装置、電子機器、記憶媒体及びコンピュータプログラム | |
US11436709B2 (en) | Three-dimensional reconstruction method, electronic device and storage medium | |
CN111256711B (zh) | 车辆位姿矫正方法、装置、设备及存储介质 | |
US20210374439A1 (en) | Obstacle detection method and device, apparatus, and storage medium | |
CN114639079B (zh) | 匹配车道线数据的方法、装置、设备和存储介质 | |
CN111462029A (zh) | 视觉点云与高精地图融合方法、装置和电子设备 | |
US11282166B2 (en) | Method for displaying electronic map, electronic device and readable storage medium | |
JP2021173745A (ja) | 車両が位置する車線を決定する方法、装置、機器、および記憶媒体 | |
CN111488418B (zh) | 车辆位姿矫正方法、装置、设备及存储介质 | |
CN111597287B (zh) | 地图生成方法、装置及设备 | |
CN112632065A (zh) | 一种数据存储方法、装置、存储介质及服务器 | |
KR20210119339A (ko) | 차트 추천 방법 및 장치, 전자 기기 및 저장 매체 | |
CN111625612B (zh) | 高精地图的纠偏方法和装置、电子设备和存储介质 | |
KR102568948B1 (ko) | 장애물 속도를 결정하는 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
CN117075171B (zh) | 激光雷达的位姿信息确定方法、装置、设备及存储介质 | |
CN112270760B (zh) | 一种定位方法、装置、电子设备及存储介质 | |
CN112150380A (zh) | 校正图像的方法、装置、电子设备和可读存储介质 | |
CN111782747B (zh) | 地图数据处理方法及装置 | |
CN114238456A (zh) | 二维栅格地图实时更新显示方法、电子设备、存储介质 | |
CN111310597B (zh) | 车辆位姿矫正方法、装置、设备及存储介质 | |
CN112200190A (zh) | 兴趣点的位置确定方法、装置、电子设备和存储介质 | |
CN111402333B (zh) | 参数估计方法、装置、设备和介质 | |
CN112580716B (zh) | 图谱中边类型的识别方法、装置、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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211026 Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Applicant after: Apollo Intelligent Technology (Beijing) Co.,Ltd. Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |