CN111537990A - 一种车道的标定方法、装置以及电子设备 - Google Patents

一种车道的标定方法、装置以及电子设备 Download PDF

Info

Publication number
CN111537990A
CN111537990A CN202010345409.2A CN202010345409A CN111537990A CN 111537990 A CN111537990 A CN 111537990A CN 202010345409 A CN202010345409 A CN 202010345409A CN 111537990 A CN111537990 A CN 111537990A
Authority
CN
China
Prior art keywords
data set
track
lane
radar
coordinate information
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
Application number
CN202010345409.2A
Other languages
English (en)
Other versions
CN111537990B (zh
Inventor
罗涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Xiangde Information Technology Co ltd
Original Assignee
Xi'an Xiangde Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xi'an Xiangde Information Technology Co ltd filed Critical Xi'an Xiangde Information Technology Co ltd
Priority to CN202010345409.2A priority Critical patent/CN111537990B/zh
Publication of CN111537990A publication Critical patent/CN111537990A/zh
Application granted granted Critical
Publication of CN111537990B publication Critical patent/CN111537990B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control

Abstract

本申请实施例公开了一种车道的标定方法、装置以及电子设备，通过雷达采集每个目标车辆在预设时长内的运动轨迹，形成轨迹数据集；根据移动速度对所述轨迹数据集中的轨迹数据进行分类，得到第一轨迹数据集和第二轨迹数据集；将所述第一轨迹数据集中的坐标信息集和所述第二轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图和第二轨迹密度图；所述第一轨迹密度图包括多条参考脊线；根据所述参考脊线生成对应车道的中心线的坐标向量；根据所述第二轨迹密度图中满足第二预设条件的位置确定停车线的位置；根据所述停车线的位置和所述坐标向量对所述车道进行标定，因此提高了车道划分的准确性。

Description

一种车道的标定方法、装置以及电子设备
技术领域
本申请涉及智能交通技术领域，具体涉及一种车道的标定方法、装置以及电子设备。
背景技术
当前的智能交通系统中需要给数据中心提供监测道路范围内的车辆状态仿真、交通统计数据以及交通事件信息，这些信息都要基于准确的车道信息。
监测道路范围内的车辆状态的仿真结果需要指导观测道路的边界；交通统计数据中的信息采集断面都是与车道相关的，例如分车道车流量统计、分车道平均车速统计、分车道车头时距统计；交通事件信息中的违停检测、逆行检测、变道检测、超速检测、排队检测、排队超限检测、占用应急车道检测、道路状态检测等一系列交通事件信息都要基于准确的道路信息。
然而现有的车道信息的主要通过地图信息获取，当地图信息更新不及时或者地图信息无法识别车道时，导致无法准确地划分车道。
发明内容
有鉴于此，本申请实施例提供了一种车道的标定方法、装置以及电子设备，可以提高车道划分的准确性。
第一方面，本申请实施例提供了一种车道的标定方法，其中所述车道所在区域内预先设置有雷达，该方法包括：
通过所述雷达采集每个目标车辆在预设时长内的运动轨迹，形成轨迹数据集；所述轨迹数据集包括所述目标车辆在不同时刻处于雷达坐标系中的坐标信息集和所述目标车辆在第一方向上的移动速度；其中所述第一方向与雷达的法线平行；
根据所述移动速度对所述轨迹数据集中的轨迹数据进行分类，得到第一轨迹数据集和第二轨迹数据集；
将所述第一轨迹数据集中的坐标信息集和所述第二轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图和第二轨迹密度图；所述第一轨迹密度图包括多条参考脊线；
根据所述参考脊线生成对应车道的中心线的坐标向量；
根据所述第二轨迹密度图中满足第二预设条件的位置确定停车线的位置；
根据所述停车线的位置和所述坐标向量对所述车道进行标定。
第二方面，本申请实施例提供了一种车道的标定装置，其中所述车道所在区域内预先设置有雷达，该装置包括：
数据获取模块，用于通过所述雷达采集每个目标车辆在预设时长内的运动轨迹，形成轨迹数据集；所述轨迹数据集包括所述目标车辆在不同时刻处于雷达坐标系中的坐标信息集和所述目标车辆在第一方向上的移动速度；其中所述第一方向与雷达的法线平行；
数据分类模块，用于根据所述移动速度对所述轨迹数据集中的轨迹数据进行分类，得到第一轨迹数据集和第二轨迹数据集；
映射模块，用于将所述第一轨迹数据集中的坐标信息集和所述第二轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图和第二轨迹密度图；所述第一轨迹密度图包括多条参考脊线；
向量生成模块，用于根据所述参考脊线生成对应车道的中心线的坐标向量；
确定模块，用于根据所述第二轨迹密度图中满足第二预设条件的位置确定停车线的位置；
标定模块，用于根据所述停车线的位置和所述坐标向量对所述车道进行标定。
第三方面，本申请实施例提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器用于存储程序代码，所述电子设备运行时，所述处理器用于执行所述程序代码，以执行本申请任一实施例提供的车道的标定方法。
本申请实施例通过雷达采集每个目标车辆在预设时长内的运动轨迹，形成轨迹数据集；所述轨迹数据集包括所述目标车辆在不同时刻处于雷达坐标系中的坐标信息集和所述目标车辆在第一方向上的移动速度；其中所述第一方向与雷达的法线平行；根据所述移动速度对所述轨迹数据集中的轨迹数据进行分类，得到第一轨迹数据集和第二轨迹数据集；将所述第一轨迹数据集中的坐标信息集和所述第二轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图和第二轨迹密度图；所述第一轨迹密度图包括多条参考脊线；根据所述参考脊线生成对应车道的中心线的坐标向量；根据所述第二轨迹密度图中满足第二预设条件的位置确定停车线的位置；根据所述停车线的位置和所述坐标向量对所述车道进行标定，因此还提高了车道划分的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的车道的标定方法的流程示意图。
图2是本申请实施例二提供的车道的标定方法的流程示意图。
图3是本申请实施例三提供的车道的标定方法的流程示意图。
图4是本申请实施例提供的第一轨迹密度图的示意图。
图5是本申请实施例提供的第三轨迹密度图的示意图。
图6是本申请实施例提供的第二轨迹密度图的示意图。
图7是本申请实施例提供的校正前的轨迹密度图的示意图。
图8是本申请实施例提供的校正后的轨迹密度图的示意图。
图9是本申请实施例提供的在轨迹密度图中放置控制点的示意图。
图10是本申请实施例提供的轨迹密度图中的停车线的示意图。
图11是本申请一实施例提供的车道的标定装置的结构示意图。
图12是本申请另一实施例提供的车道的标定装置的结构示意图。
图13是本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明实施例中，术语“模块”一般指：硬件、硬件和软件的组合、软件等。例如，模块可以是运行在处理器上的进程、处理器、对象、可执行应用、执行的线程、程序等。运行在处理器上的应用和该处理器二者都可以是模块。一个或多个模块可以位于一个计算机中和/或分布在两个或更多计算机之间。
在本发明实施例中，“第一”、“第二”等仅为用于区分不同的对象，而不应对本发明实施例构成任何限定。
车道的标定是智能交通中的一个重要方向。本发明实施例提供的方案涉及人工智能的车道的标定技术，具体通过如下实施例进行说明：
本发明的实施例提供了一种车道的标定系统，包括本发明实施例任一提供的车道的标定装置，该车道的标定装置具体可集成在服务器中。
其中，通过雷达采集每个目标车辆在预设时长内的运动轨迹，形成轨迹数据集；所述轨迹数据集包括所述目标车辆在不同时刻处于雷达坐标系中的坐标信息集和所述目标车辆在第一方向上的移动速度；其中所述第一方向与雷达的法线平行；根据所述移动速度对所述轨迹数据集中的轨迹数据进行分类，得到第一轨迹数据集和第二轨迹数据集；将所述第一轨迹数据集中的坐标信息集和所述第二轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图和第二轨迹密度图；所述第一轨迹密度图包括多条参考脊线；根据所述参考脊线生成对应车道的中心线的坐标向量；根据所述第二轨迹密度图中满足第二预设条件的位置确定停车线的位置；根据所述停车线的位置和所述坐标向量对所述车道进行标定。
上述例子只是实现本发明实施例的一个系统架构实例，本发明实施例不限于上述系统结构，基于该系统架构，提出本发明各个实施例。
以下分别进行详细说明。需说明的是，以下实施例的序号不作为对实施例优选顺序的限定。
本实施例将从车道的标定装置的角度进行描述，该车道的标定装置具体可以集成在服务器中。
请参阅图1，图1是本发明第一实施例提供的车道的标定方法的流程示意图。所述方法包括：
S101、通过雷达采集每个目标车辆在预设时长内的运动轨迹，形成轨迹数据集；
其中车道所在区域内预先设置有雷达，所述轨迹数据集包括所述目标车辆在不同时刻处于雷达坐标系中的坐标信息集和所述目标车辆在第一方向上的移动速度。此外还包括所述目标车辆在第二方向上的移动速度。坐标信息集包括多个坐标信息(坐标点)，每个坐标信息包括第一方向和第二方向上的坐标。
其中每个目标车辆位于雷达的监测区域内，轨迹数据集由多个轨迹数据组成的集合，坐标信息集由多个坐标信息组成的集合，在一实施方式中，第一方向为y方向，第二方向为x方向。其中雷达坐标系的原点位于雷达上，第一方向与雷达的法线重合。其中雷达的法线与雷达的接收面垂直。其中移动速度与坐标信息相对应，且移动速度与轨迹数据对应或者关联。
例如，通过雷达测量不同时刻的目标车辆在雷达坐标系中的坐标(x,y)和x,y方向上的速度(Vx,Vy)，并将每个时刻的目标车辆的轨迹数据记录下来，经过长时间的数据积累，形成轨迹数据集。
由于大部分车辆在运行时通常位于车道线内，只有少量车会跨线行驶或者变道，因此轨迹数据集中隐含着车道的信息。比如当雷达记录超过500个目标车辆时，可以获得较为精确的车道。
S102、根据所述移动速度对所述轨迹数据集中的轨迹数据进行分类，得到第一轨迹数据集和第二轨迹数据集；
例如，根据目标车辆在y方向上的速度对上述轨迹数据集中的轨迹数据进行分类，分为来向、去向目标轨迹数据集和停车目标轨迹数据集两类。
在一实施方式中，为了提高分类的准确性，所述根据所述目标车辆的移动速度对所述轨迹数据集中的轨迹数据进行分类，分别得到第一轨迹数据集和第二轨迹数据集的步骤包括：
S1021、当所述移动速度大于第一预设阈值时，则确定所述移动速度对应的轨迹数据为第一轨迹数据集中的轨迹数据；
S1022、当所述移动速度小于第二预设阈值时，则确定所述移动速度对应的轨迹数据为所述第二轨迹数据集中的轨迹数据；
所述第一轨迹数据集和所述第二轨迹数据集均包括多个轨迹数据。
其中在一实施方式中，该移动速度为目标车辆的移动速度的绝对值。其中在一实施方式中，第一预设阈值Vthr1和第二预设阈值Vthr2，两者可相等，比如为0，当|Vy|>0，则判定该轨迹数据为第一轨迹数据集中的轨迹数据，Vy＝0，则判定该轨迹数据为第二轨迹数据集中的轨迹数据。
在另一实施方式中，第一预设阈值Vthr1为5以及第三预设阈值Vthr2为0，单位为m/s，由于行人和自行车等目标的速度较低，且往往不会沿着车道中心线行进，将低速目标包含到数据集中会干扰车道中心线的确定。因此使用经验速度阈值Vthr1排除来向和去向目标中的低速部分。经验速度阈值Vthr1的大小可根据实际需要设置，比如Vthr1＝5m/s。来向和去向目标中所有Vy的绝对值均大于Vthr1的数据点，去掉来向和去向目标中所有Vy的绝对值小于Vthr1的数据点，以排除行人和自行车。
此外，为避免车辆变道和横穿道路行为的影响，还可将来向和去向轨迹数据中x方向速度绝对值大于y方向速度绝对值的数据点去掉，得到的上述数据集。
S103、将所述第一轨迹数据集中的坐标信息集和所述第二轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图和第二轨迹密度图；
其中，雷达具有一雷达坐标系，预先将雷达坐标系离散化为多个网格单元(也即采样网格)。网格单元在x方向和y方向的宽度分别为dx和dy，具体取值应当和雷达的分辨能力相匹配，其中dx应当与雷达的角分辨率和观测距离对应，dy应当与雷达的距离分辨率对应。
例如，将步骤S102中的两类数据集对应的坐标信息集分配到雷达坐标系中的网格单元中，生成来向和去向轨迹密度图、停车轨迹密度图。
在一实施方式中，为了提高映射的准确性。所述将所述第一轨迹数据集中的坐标信息集和所述第二轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图和第二轨迹密度图的步骤包括：
S1031、将各所述第一坐标信息以及和所述第二坐标信息分配到所述雷达坐标系中的网格单元中；
其中所述第一坐标信息为所述第一轨迹数据集中的坐标信息集中的坐标信息，所述第二坐标信息为第二轨迹数据集中的坐标信息集中的坐标信息。
在一实施方式中，上述步骤S1031可包括：
(1)将各所述第一坐标信息按照下式分配到所述雷达坐标系中的网格单元中：
Figure BDA0002469889550000051
其中以第一坐标信息为例，celli,j表示该所述雷达坐标系中的网格单元中第i行第j列的网格单元，x、y分布表示所述第一坐标信息中第一方向上的坐标和第二方向上的坐标，i，j表分别示所述网格单元的第一方向上的坐标和第二方向上的坐标，dx、dy分别表示所述网格单元在第一方向上的宽度和第二方向上的宽度；其中所述第二方向与所述第一方向垂直。其中dx、dy与雷达的分辨能力相匹配，dx与雷达的角分辨率和观测距离对应，dy与雷达的距离分辨率对应。其中第二坐标信息的分配方式与此相同。
S1032、分别统计所述雷达坐标系中的各网格单元中所分配到的第一坐标信息的数量和第二坐标信息的数量；
S1033、根据所分配到的第一坐标信息的数量对所述雷达坐标系中对应的网格单元的灰阶值进行调整，得到多个第一目标灰阶值；
例如，建立所分配到的第一坐标信息的数量与网格单元灰阶值之间的对应关系。
在一实施方式，为了提高轨迹密度图的准确性，所述根据所分配到的第一坐标信息的数量对所述雷达坐标系中对应的网格单元的灰阶值进行调整的步骤包括：
(1)、当所述网格单元分配到一个坐标信息时，将所述网格单元的初始灰阶值增加预设值。
在一实施方式中，当该网格单元分配到一个数据(坐标信息或者说坐标点)，将其灰阶值增加预设值；该预设值可以根据经验值设定。其中，网格单元的初始灰阶值可为0，当然初始灰阶值可以根据需要设置，在此不作限定。
在另一实施方式中，当该网格单元分配到一个数据，其初始灰阶值乘以一个补偿系数；该补偿系数可以根据经验值设定。当然可以理解的，对所述网格单元的灰阶值的具体调整方式不限于此。
S1034、根据所分配到的第二坐标信息的数量对所述雷达坐标系中的网格单元中对应的网格单元的灰阶值进行调整，得到多个第二目标灰阶值；
其中步骤S1034的灰阶值的调整的方式与步骤S1033相同。
S1035、根据多个所述第一目标灰阶值生成第一轨迹密度图；根据多个所述第二目标灰阶值生成第二轨迹密度图。
以下对步骤S1031至S1035进行具体说明，例如，将上一步得到的两类轨迹数据集中的每个轨迹数据集中的每一个坐标信息按照坐标的对应关系分别分配到一所述雷达坐标系中的网格单元中。
以其中一个轨迹数据集分配到的雷达坐标系中的网格单元为例，当该所述雷达坐标系中的多个网格单元中的一个网格单元分配到一个数据，其灰阶值加1，每一个网格单元的初始灰阶值为0，当该轨迹数据集分配完时，其中一个网格单元的灰阶值为g_(i,j)，之后，将该轨迹数据集对应的所述雷达坐标系中的网格单元中的多个灰阶值组合成为一轨迹密度图。也即所述第一轨迹数据集经过映射后形成第一轨迹密度图、第二轨迹数据集经过映射后形成第二轨迹密度图。另一轨迹数据集的处理方式与此相同。在一实施方式中，第一轨迹密度图为来向和去向轨迹密度图、第二轨迹密度图为停车轨迹密度图。
在一实施方式中，为了降低复杂度，提高处理效率，在步骤S1034和S1035之间，所述方法还可包括：
S1036、依次对各所述第一目标灰阶值和各所述第二目标灰阶值进行归一化处理，分别得到多个第一处理灰阶值和多个第二处理灰阶值；
例如，对该网格单元中的灰阶值进行归一化处理，归一化处理的如下式所示：
g_(i,j)＝g_(i,j)/max(g_(i,j))
其中max(g_(i,j))为同一灰阶值(比如第一灰阶值)中的最大灰阶值。之后对其余网格单元按照上述方式进行处理。
上述步骤S1035具体替换为步骤S1037：
S1037、根据多个所述第一处理灰阶值生成第一轨迹密度图；根据多个所述第二处理灰阶值生成第二轨迹密度图。
之后，将多个第一处理灰阶值组合成为一轨迹密度图，将多个第二处理灰阶值组合成为二轨迹密度图。
S104、根据所述参考脊线生成对应车道的中心线的坐标向量；
其中，所述第一轨迹密度图包括多条参考脊线。
在一实施方式中，该步骤可包括：
S1041、在所述多条参考脊线中选取满足第一预设条件的参考脊线，作为候选线；
例如，在一实施方式中，在来向和去向轨迹密度图中选择位于中间位置清晰度最高的一条参考脊线作为候选线，在另一实施方式中，在将位于多条参考脊线中位于中间位置的参考脊线作为候选线。
S1042、当初始候选线与所述雷达的法线之间存在夹角时，获取所述候选线与雷达的法线之间的夹角，得到偏转角度；
在一实施方式中，为了提高偏转角度的准确性，获取所述候选线与雷达的法线之间的夹角，得到偏转角度的步骤可包括：
(1)当初始候选线与所述雷达的法线之间存在夹角时，根据预设角度分别对所述轨迹数据集中的各坐标信息进行修正，得到修正数据集，并根据所述修正数据集获取修正候选线；
(2)当修正候选线与所述雷达的法线之间不存在夹角时，将该预设角度作为偏转角度。
其中候选线包括初始候选线和修正候选线，当初始候选线与所述雷达的法线之间存在夹角时，根据预设角度分别对所述轨迹数据集中各坐标信息进行修正，得到修正数据集，并返回执行所述将所述第一轨迹数据集中的坐标信息集、所述第二轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中的步骤；直至修正后的候选线与所述雷达的法线之间不存在夹角时，将该预设角度作为偏转角度。通过该偏转角度校准了雷达安装角度偏差的问题，提高了车道划分的准确性。
具体地，当所述候选线与所述雷达的法线之间存在夹角时，利用预设角度修正来向和去向轨迹数据集以及停车轨迹数据集中的坐标信息，获得修正后的三个轨迹数据集合后，再重复一次获得经角度修正的来向和去向目标轨迹密度图和停车轨迹密度图，继续在修正后的来向、去向目标轨迹密度图和停车轨迹密度图中找出一候选线，得到修正候选线，再次判断修正候选线和雷达的法线之间的夹角是否为0，当此时该候选线和雷达的法线之间的夹角为0时，将该预设角度作为雷达的偏转角。如果该候选线和雷达的法线之间的夹角不为0，则重复执行上述步骤，直至候选线和雷达的法线平行。
在一实施方式中，所述根据预设角度分别对所述轨迹数据集中各坐标信息进行修正，得到修正数据集的步骤具体如下式所示：
Figure BDA0002469889550000081
Figure BDA0002469889550000082
x1＝R0sin(θ0-Δ)
y1＝R0cos(θ0-Δ)
x1、y1分别表示修正后的目标车辆在第一预设方向的坐标和第二预设方向的坐标；x0、y0分别表示位修正前的目标车辆在第一预设方向的坐标和第二预设方向的坐标；θ0表示x0转换到极坐标系后的角度坐标，Δ表示所述预设角度。
对照雷达观测车道的真实照片，观察来向和去向目标轨迹密度图中各车道脊线的分布模式及其与实际车道的对应关系，确定有效的参考脊线(车道脊线)。
S1043、根据所述偏转角度对所述参考脊线的角度进行调整，得到调整脊线；
例如，根据步骤S1042获取的偏转角度对来向和去向目标轨迹密度图中各车道脊线的角度进行调整，使调整后的脊线与所述雷达的法线之间的夹角为0，也即与雷达的法线平行。
S1044、根据所述调整脊线生成对应车道的中心线的坐标向量；
例如，在一实施方式中，可以根据调整脊线拟合生成对应车道的中心线。
当然具体的方式不限于此。
在一实施方式中，为了提高中心线的准确性，该步骤可包括：
(1)在所述调整脊线上标记控制点，根据所述控制点生成对应车道的初始脊线；
(2)当所述初始脊线与所述调整脊线重合时，将所述初始脊线作为对应车道的中心线；
(3)对所述车道的中心线进行离散化采样，生成对应车道的中心线的坐标向量。
例如，从调整脊线的y坐标最小的位置开始放置控制点，调整脊线的曲率变化越大的位置放置的控制点越密集，直到控制点可以准确拟合出和调整脊线形态一致的曲线。这一步为交互式操作，每放置一个采样点，都将实时更新所述车道的中心线，判断车道的中心线和密度图中调整脊线的重合情况，当两者不重合时，进一步调整控制点的数量和位置，直到两者重合。之后对车道的中心线进行离散化采样，生成对应车道的中心线的坐标向量。
在一实施方式中，在对车道信息的实际应用中，采用数值化的贝塞尔曲线进行拟合形成车道的中心线，因此对贝塞尔曲线做离散采样，按照一定的间隔生成一系列坐标点(xi,yi)，将这些坐标点作为对应车道的中心线的坐标向量。
贝塞尔曲线拟合方法具体说明如下：假设在一条车道上已经标记了n+1个采样点，分别为P0，P1，P2……Pn，则贝塞尔曲线的表达式为：
Figure BDA0002469889550000091
其中B表示曲线上任意一点，t表示曲线参数，取值范围为[0,1]，当t从0增加到1时，B从曲线的起始端运动到终止端。i表示下界，n表示上界，Pi表示其中一个坐标点，对所有的调整脊线做同样的操作，即可得到所有车道的贝塞尔曲线，从而得到各车道的中心线。
S105、根据所述第二轨迹密度图中满足第二预设条件的位置确定停车线的位置；
例如，将所述第二轨迹密度图中满足第二预设条件的位置作为车道中心线的起始位置，也即对车道的停车线进行标定。
S106、根据所述停车线的位置和所述坐标向量对所述车道进行标定。
例如，根据车道的停车线的位置和坐标向量对所述车道进行标定，其余车道的标定方法与此相同，从而可以对全部车道进行标定，便于获取整个道路的全貌。
比如，停车目标轨迹密度图中记录了车辆的停车位置。对于城市交通来说，大部分停车发生在停车线之后，只有少量车辆会停在停车线之前。因此停车目标轨迹密度图中，在y方向存在一个明显的密度(灰度)突变现象。密度突变发生的位置就是停车线所在之处。也即满足第二预设条件的位置为出现明显的密度突变的位置。当然起始位置的具体确定方式不限于此。
比如在一实施方式中，可采用交互式方法确定停车线的位置，用户在停车目标轨迹密度图上选出密度突变的位置，通过软件在密度图上绘制出停车线，用户判断绘制的停车线的位置是否正确，如果不正确进行调整。
由上可知，本实施例的车道的标定方法由于通过雷达采集每个目标车辆在预设时长内的运动轨迹，形成轨迹数据集；根据所述移动速度对所述轨迹数据集中的轨迹数据进行分类，得到第一轨迹数据集和第二轨迹数据集；将所述第一轨迹数据集中的坐标信息集和所述第二轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图和第二轨迹密度图；所述第一轨迹密度图包括多条参考脊线；根据所述参考脊线生成对应车道的中心线的坐标向量；根据所述第二轨迹密度图中满足第二预设条件的位置确定停车线的位置；根据所述停车线的位置和所述坐标向量对所述车道进行标定，实现了对车道的划分，因此提高了车道划分的准确性。
请参阅图2，图2是本发明第二实施例提供的车道的标定方法的流程示意图。所述方法包括：
S201、通过雷达采集每个目标车辆在预设时长内的运动轨迹，形成轨迹数据集；
所述轨迹数据集包括所述目标车辆在不同时刻处于雷达坐标系中的坐标信息集和所述目标车辆在第一方向上的移动速度。
S202、根据所述移动速度对所述轨迹数据集中的轨迹数据进行分类，得到第一轨迹数据集、第二轨迹数据集以及第三轨迹数据集；
其中在一实施方式中，第一轨迹数据集为来向轨迹数据集、第三轨迹数据集为去向轨迹数据集、第二轨迹数据集为停车轨迹数据集。
例如，根据目标车辆在y方向上的速度对上述轨迹数据集中的轨迹数据进行分类，分为来向轨迹数据集、去向目标轨迹数据集和停车目标轨迹数据集三类。
在一实施方式中，为了提高分类的准确性，所述根据所述移动速度对所述轨迹数据集中的轨迹数据进行分类，得到第一轨迹数据集、第二轨迹数据集以及第三轨迹数据集的步骤包括：
S2021、当所述移动速度大于第一预设阈值时，则确定所述移动速度对应的轨迹数据为第一轨迹数据集中的轨迹数据；
S2022、当所述移动速度小于第二预设阈值时，则确定所述移动速度对应的轨迹数据为第三轨迹数据集中的轨迹数据；
S2023、当所述移动速度等于第三预设阈值，则确定所述移动速度对应的轨迹数据为第二轨迹数据集中的轨迹数据。
其中在一实施方式中，第一预设阈值、第二预设阈值以及第三预设阈值可相等，比如为0，比如当Vy<0时，则确定该轨迹数据为第三轨迹数据集中的轨迹数据，当Vy>0时，则确定该轨迹数据为第一轨迹数据集中的轨迹数据、Vy＝0时，则确定该轨迹数据为第二轨迹数据集中的轨迹数据。
在另一实施方式中，第一预设阈值为5、第二预设阈值为-5以及第三预设阈值为0，单位为m/s，当Vy<-5时，则确定该轨迹数据为第三轨迹数据集中的轨迹数据；当Vy>5时，则确定该轨迹数据为第一轨迹数据集中的轨迹数据；Vy＝0时，则确定该轨迹数据为第二轨迹数据集中的轨迹数据。
S203、将所述第一轨迹数据集中的坐标信息集、所述第二轨迹数据集中的坐标信息集以及所述第三轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图、第二轨迹密度图以及第三轨迹密度图；所述第一轨迹密度图和所述第二轨迹密度图均包括多条参考脊线；
例如，将步骤S202中的三类数据集对应的坐标信息集分配到雷达坐标系中的网格单元中，生成来向轨迹密度图、去向轨迹密度图和停车轨迹密度图。
在一实施方式中，为了提高映射的准确性。所述将所述第一轨迹数据集中的坐标信息集、所述第二轨迹数据集中的坐标信息集以及所述第三轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图、第二轨迹密度图以及第三轨迹密度图的步骤包括：
S2031、将所述第一坐标信息集中的坐标信息、所述第二坐标信息集中的坐标信息以及所述第三坐标信息集中的坐标信息分别分配到所述雷达坐标系中的网格单元中；
所述第一坐标信息为所述第一轨迹数据集中的坐标信息集的坐标信息，所述第二坐标信息为第二轨迹数据集中的坐标信息集的坐标信息，所述第三坐标信息为第三轨迹数据集中的坐标信息集中的坐标信息。
在一实施方式中，上述步骤S2031可包括：
(1)将各所述第一坐标信息分别按照下式分配到第一所述雷达坐标系中的网格单元中：
Figure BDA0002469889550000111
celli,j表示该所述雷达坐标系中的网格单元中第i行第j列的网格单元，x、y分布表示所述第一坐标信息中第一方向上的坐标和第二方向上的坐标，i，j表分别示所述网格单元的第一方向上的坐标和第二方向上的坐标，dx、dy分别表示所述网格单元在第一方向上的宽度和第二方向上的宽度；其中所述第二方向与所述第一方向垂直。其中dx、dy与雷达的分辨能力相匹配，dx与雷达的角分辨率和观测距离对应，dy与雷达的距离分辨率对应。第二坐标信息和第三坐标信息的分配方式与此相同。
S2032、分别统计所述雷达坐标系中的各网格单元中所分配到的第一坐标信息的数量、第二坐标信息的数量以及第三坐标信息的数量；
S2033、根据所分配到的第一坐标信息的数量对所述雷达坐标系中对应的网格单元的灰阶值进行调整，得到多个第一目标灰阶值；
例如，建立所分配到的第一坐标信息的数量与网格单元灰阶值之间的对应关系。S2033与上述步骤S1033相同，在此不再赘述。
S2034、根据所分配到的第二坐标信息的数量对所述雷达坐标系中的网格单元中对应的网格单元的灰阶值进行调整，得到多个第二目标灰阶值；
S2035、根据所分配到的第三坐标信息的数量对所述雷达坐标系中的网格单元中对应的网格单元的灰阶值进行调整，得到多个第三目标灰阶值；其中步骤S2034和步骤S2035的灰阶值的调整的方式与步骤S2033相同。
S2036、依次对各所述第一目标灰阶值、各所述第二目标灰阶值以及各所述第三目标灰阶值进行归一化处理，分别得到多个第一处理灰阶值和多个第二处理灰阶值以及多个第三处理灰阶值；
S2037、根据多个所述第一处理灰阶值生成第一轨迹密度图；根据多个所述第二处理灰阶值生成第二轨迹密度图；根据多个所述第三处理灰阶值生成第三轨迹密度图。
例如，将上一步得到的三个轨迹数据集中的每个轨迹数据集中的每一个坐标信息按照坐标的对应关系分别分配到一所述雷达坐标系中的网格单元中。
以其中一类轨迹数据集分配到的所述雷达坐标系中的网格单元为例，当该所述雷达坐标系中的网格单元的其中一个网格单元分配到一个轨迹数据，其灰阶值加1，每一个网格单元的初始灰阶值为0，当该轨迹数据集分配完时，其中一个网格单元的灰阶值为g_(i,j)，然后对该网格单元中的灰阶值进行归一化处理，归一化处理的如下式所示：
g_(i,j)＝g_(i,j)/max(g_(i,j))
其中max(g_(i,j))为同一灰阶值(比如第一灰阶值)中的最大灰阶值。之后对其余网格单元按照上述方式进行处理。
之后，将多个第一处理灰阶值组合成为一轨迹密度图，将多个第二处理灰阶值组合成为二轨迹密度图，将多个第三处理灰阶值组合成为三轨迹密度图。也即所述第一轨迹数据集经过映射后形成第一轨迹密度图、第二轨迹数据集经过映射后形成第二轨迹密度图以及第三轨迹数据集经过映射后形成第三轨迹密度图。
在一实施方式中，其中第一轨迹密度图和所述第三轨迹密度图均包括多条参考脊线。
S204、根据所述参考脊线生成对应车道的中心线的坐标向量；
S205、根据所述第二轨迹密度图中满足第二预设条件的位置确定停车线的位置；
S206、根据所述停车线的位置和所述坐标向量对所述车道进行标定。
其中本实施例的步骤S201、S204、S205、S206分别与上一实施例的S101、S104、S105、S106相同，具体参见上文，在此不再赘述。
由上可知，本实施例的车道的标定方法，在上一实施例的基础上，由于本实施例还将轨迹数据集划分为第三轨迹数据集，并将其映射为第三轨迹密度图，因此进一步提高了车道划分或者标定的准确性。
根据第一实施例所描述的方法，以下将举例作进一步详细说明。
首先，本发明实施例在十字路口中四个道路的红绿灯上均设置有雷达，也即有4台雷达安装在一个十字路口的四个方向，其中南北方向的道路包括道路M1和道路M2、东西方向的道路包括道路M3和道路M4。每一条道路包括多条车道。以下将进行详细说明。
请参阅图3，图3为本发明第三实施例提供的车道的标定方法的流程示意图。
S301、获取每个道路的轨迹数据集；
首先，以道路M1上的雷达为例，记录该雷达能监测到的所有目标的轨迹数据；轨迹数据包括每一时刻目标在雷达坐标系中的位置坐标(x,y)和速度向量(Vx,Vy)。积累30分钟的数据，此时约有700辆车从该雷达的监测视野中通过，这700辆车的轨迹数据即构成了目标车辆的轨迹数据集。其余道路M2至M4的轨迹数据集。
S302、对该目标车辆的轨迹数据集做分类；
具体地，当所述目标车辆的第一方向的移动速度Vy大于5m/s时，则确定所述轨迹数据为来向轨迹数据集中的轨迹数据；所述目标车辆的第一方向的移动速度Vy小于-5m/s时，则确定所述轨迹数据为去向轨迹数据集中的轨迹数据；当所述目标车辆的移动速度等于0时，则确定所述轨迹数据为停车轨迹数据集中的轨迹数据，从而将目标车辆的轨迹数据集分为来向轨迹数据集、去向轨迹数据集以及停车轨迹数据集。
S303、将上述分类后的轨迹数据集映射到所述雷达坐标系中的网格单元中，形成轨迹密度图；
例如，预先对雷达坐标系进行网格化。为了和本实例中使用的雷达分辨率相匹配，网格的x方向的宽度dx为0.25m，y方向的宽度dy为1m。雷达在x方向的观测范围为-50m至50m，在y方向的观测范围为0至350m。因此离散化后的网格矩阵为350行和400列。
将所述来向轨迹数据集中的坐标信息集、所述去向轨迹数据集中的坐标信息集、所述去向轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图(来向轨迹密度图)、第二轨迹密度图(去向轨迹密度图)以及第三轨迹密度图(停车轨迹密度图)，来向轨迹密度图、去向轨迹密度以及停车轨迹密度图分别如图4至图6所示。
在实际中各像素的颜色深浅表示了对应网格单元上分配到的轨迹数据的多少，颜色越深，说明有越多的目标经过了对应的网格单元。由于大部分车辆在行进中会保持在车道内，因此来向和去向目标航迹密度图中的深色像素显示出了依照车道群聚的特征。在图4至图5中，将灰度值越高的像素代表分配到的轨迹数据越多。如图4所示，来向轨迹密度图中包括8条车道，具体包括潮汐车道L1、左转车道L2、直行车道L3-L6、非机动车道L7、右转车道L8。如图5所示，去向轨迹密度图中包括6条车道Q1至Q6。此外，在城市交通中，大部分的停车行为发生在停车线以后。因此，停车轨迹密度图中存在一个明显的密度突变位置，也即车道停车线的位置，如图6中虚线11所示。其中图6中灰色点越多的位置，表明轨迹数据越多。
实验验证，与真实的道路M1对比，可以发现密度图中的群聚特征如实反映了车道的分布情况。
S304、当雷达的法线与车道脊线不重合时，调整车道脊线使其与雷达的法线重合；
比如如图7所示，将雷达的法线10叠加显示到来向目标航迹密度图中，可以看出，初始状态下，雷达的法线10和车道脊线12存在一定的夹角，尝试输入预设的偏转角来校正密度图。车道脊线12为位于来向目标航迹密度图的中间位置且清晰度最高的一条脊线。多次尝试发现，当雷达偏转角为-1.4度时，雷达的法线10和车道脊线(如图8中虚线所示)重合，如图8所示。因此雷达偏转角设定为-1.4度。
S305、在调整后的车道脊线上标记控制点，根据控制点生成对应车道的中心线；
在来向、去向目标航迹密度图中，选择一条有效的车道脊线，从y坐标最小的位置开始放置控制点，在车道脊线的曲率变化越大的位置控制点放置的越密集，不断调整控制点的位置直到拟合出的车道中心线与车道脊线一致。拟合出的车道中心线根据所有的控制点13(图9中方形的点)的位置实时生成如图9所示，图9仅以右转车道的车道脊线为例进行说明，其余车道的中心线的生成方法与此相同。具体也是在其余有效的车道脊线上依次放置控制点，拟合出所有车道的中心线，最终完成所有车道的标定。
S306、确定停车线的位置；
在停车目标航迹密度图确定出停车线的位置，将在停车目标航迹密度图上显示一条停车线11，如图10所示。判断停车线是否位于密度突变处，以此标定停车线。图10中箭头方向表示目标车辆的行驶方向。
S307、获取车道中心线的坐标向量，并对车道进行标定；
以上步骤即完成了对道路M1的车道标定工作，之后对车道中心线进行离散化采样，转换为车道中心线坐标向量，供雷达车检器使用。之后雷达根据中心线坐标向量和停车线的位置对整个车道进行标定。
采用相同的方法依次对其余道路M2至M4中的车道进行标定。各路口具体的车道分布见表1。对比可以看出，标定出的车道分布与真实车道分布相符，证明了该标定方法的有效性。
表1四个路口标定车道分布
Figure BDA0002469889550000141
Figure BDA0002469889550000151
为检验车道标定的准确度，做了如下实验，对安装有雷达的四个路口，分别录制了同一时间段的路口交通视频和雷达检测数据。根据上述已经标定的车道，通过雷达将输入的车道信息把检测到的目标车辆分配到各个车道中去，并在雷达检测数据中做记录。人工检验视频中出现在雷达视野中的车辆，并确定其所在的车道号。去除骑线行驶等人工难以界定的车辆，剩下的车辆为实验中的有效过车数。针对某一辆车，将人工分配车道的结果与雷达分配车道的结果相比较：如果从车辆进入雷达视野到离开雷达视野全程中，人工结果和雷达结果相同，将该车辆作为一个正确分类目标；如果有任意时刻人工结果和雷达结果不同，将该辆车作为一个错误分类目标。15分钟内，正确分类目标数除以监测范围内的总车数为雷达分类准确率，实验的结果如表2所示。
表2车道标定准确度实验结果
Figure BDA0002469889550000152
从实验结果中可以看出，东西南北四个路口的安装的4个雷达均能以较高的准确率(>99％)对车辆划分车道，证明了车道标定方法的准确性。由上可知，本发明实施例提高了车道划分的准确性。
为了更好地实施以上方法，本申请实施例还提供了一种车道的标定装置，该车道的标定装置具体可以集成在电子设备中，该电子设备可以为终端、服务器、个人电脑等设备。比如，在本实施例中，将以车道的标定装置集成在服务器中为例，对本发明实施例的方法进行详细说明。
例如，如图11和图12所示，该车道的标定装置可以包括数据获取模块31、数据分类模块32、映射模块33、向量生成模块34、确定模块35以及标定模块36。
数据获取模块31，用于通过雷达采集每个目标车辆在预设时长内的运动轨迹，形成轨迹数据集；所述轨迹数据集包括所述目标车辆在不同时刻处于雷达坐标系中的坐标信息集和所述目标车辆在第一方向上的移动速度；其中所述第一方向与雷达的法线平行；
数据分类模块32，用于根据所述移动速度对所述轨迹数据集中的轨迹数据进行分类，得到第一轨迹数据集和第二轨迹数据集；
映射模块33，用于将所述第一轨迹数据集中的坐标信息集和所述第二轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图和第二轨迹密度图；所述第一轨迹密度图包括多条参考脊线；
向量生成模块34，用于根据所述参考脊线生成对应车道的中心线的坐标向量；
确定模块35，用于根据所述第二轨迹密度图中满足第二预设条件的位置确定停车线的位置；
标定模块36，用于根据所述停车线的位置和所述坐标向量对所述车道进行标定。
在一实施方式中，所述向量生成模块34可包括：选取单元341、角度获取单元342、调整单元343以及向量生成单元344。
选取单元341，用于在所述多条参考脊线中选取满足第一预设条件的参考脊线，作为候选线；
角度获取单元342，用于当初始候选线与所述雷达的法线之间存在夹角时，获取所述候选线与雷达的法线之间的夹角，得到偏转角度；
调整单元343，用于根据所述偏转角度对所述参考脊线的角度进行调整，得到调整脊线；
向量生成单元344，用于根据所述调整脊线生成对应车道的中心线的坐标向量。
在一实施方式中，所述向量生成单元344可具体用于：在所述调整脊线上标记控制点，根据所述控制点生成对应车道的初始脊线；当所述初始脊线与所述调整脊线重合时，将所述初始脊线作为对应车道的中心线；对所述车道的中心线进行离散化采样，生成对应车道的中心线的坐标向量。
在一实施方式中，所述角度获取单元342可具体用于：当初始候选线与所述雷达的法线之间存在夹角时，根据预设角度分别对所述轨迹数据集中的各坐标信息进行修正，得到修正数据集，并根据所述修正数据集获取修正候选线；当修正候选线与所述雷达的法线之间不存在夹角时，将该预设角度作为偏转角度。
在一实施方式中，所述角度获取单元341具体按照如下式对所述轨迹数据集中的各坐标信息进行修正：
Figure BDA0002469889550000171
Figure BDA0002469889550000172
x1＝R0sin(θ0-Δ)
y1＝R0cos(θ0-Δ)
x1、y1分别表示修正后的目标车辆在第一预设方向的坐标和第二预设方向的坐标；x0、y0分别表示位修正前的目标车辆在第一预设方向的坐标和第二预设方向的坐标；θ0表示x0转换到极坐标系后的角度坐标，Δ表示所述预设角度。
在一实施方式中，所述映射模块33包括：分配单元331、统计单元332、第一调整单元333、第二调整单元334以及生成单元335；
分配单元331，用于将各第一坐标信息、各第二坐标信息分别分配到所述雷达坐标系中的网格单元中；其中所述第一坐标信息为所述第一轨迹数据集中的坐标信息集中的坐标信息，所述第二坐标信息集为第二轨迹数据集中的坐标信息集中的坐标信息；
统计单元332，用于分别统计所述雷达坐标系中的各网格单元中所分配到的第一坐标信息的数量和第二坐标信息的数量；
第一调整单元333，用于根据所分配到的第一坐标信息的数量对所述雷达坐标系中对应的网格单元的灰阶值进行调整，得到多个第一目标灰阶值；
第二调整单元334，用于根据所分配到的第二坐标信息的数量对所述雷达坐标系中对应的网格单元的灰阶值进行调整，得到多个第二目标灰阶值；
生成单元335，用于根据多个所述第一目标灰阶值生成第一轨迹密度图；根据多个所述第二目标灰阶值生成第二轨迹密度图。
在一实施方式中，所述分配单元331具体用于将各第一坐标信息按照下式分别分配到所述雷达坐标系中的网格单元中：
Figure BDA0002469889550000173
其中x、y分布表示所述第一坐标信息中第一方向上的坐标和第二方向上的坐标，i，j表分别示所述网格单元的第一方向上的坐标和第二方向上的坐标，dx、dy分别表示所述网格单元在第一方向上的宽度和第二方向上的宽度；其中所述第二方向与所述第一方向垂直。
在一实施方式中，所述数据获取模块31可包括：
第一分类单元311，用于当所述移动速度大于第一预设阈值时，则确定所述移动速度对应的轨迹数据为第一轨迹数据；所述第一轨迹数据集包括多个第一轨迹数据；
第二分类单元312，用于当所述移动速度小于第二预设阈值时，则确定所述移动速度对应的轨迹数据为第二轨迹数据；所述第二轨迹数据集包括多个所述第二轨迹数据。
在另一实施例中，所述数据分类模块32还用于：根据所述移动速度对所述轨迹数据集中的轨迹数据进行分类，得到第一轨迹数据集、第二轨迹数据集以及第三轨迹数据集；
所述映射模块33还用于：将所述第一轨迹数据集中的坐标信息集和所述第二轨迹数据集中的坐标信息集以及所述第三轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图和第二轨迹密度图以及第三轨迹密度图；所述第一轨迹密度图和所述第三轨迹密度图均包括多条参考脊线。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
由上可知，本发明实施例的车道的标定装置由于通过雷达采集每个目标车辆在预设时长内的运动轨迹，形成轨迹数据集；根据所述移动速度对所述轨迹数据集中的轨迹数据进行分类，得到第一轨迹数据集和第二轨迹数据集；将所述第一轨迹数据集中的坐标信息集和所述第二轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图和第二轨迹密度图；所述第一轨迹密度图包括多条参考脊线；根据所述参考脊线生成对应车道的中心线的坐标向量；根据所述第二轨迹密度图中满足第二预设条件的位置确定停车线的位置；根据所述停车线的位置和所述坐标向量对所述车道进行标定，因此提高了车道划分的准确性。
本申请实施例还提供一种电子设备，如图13所示，其示出了本申请实施例所涉及的电子设备的结构示意图，具体来讲：
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入模块404等部件。本领域技术人员可以理解，图13中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入模块404，该输入模块404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，电子设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，电子设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
通过雷达采集每个目标车辆在预设时长内的运动轨迹，形成轨迹数据集；所述轨迹数据集包括所述目标车辆在不同时刻处于雷达坐标系中的坐标信息集和所述目标车辆在第一方向上的移动速度；其中所述第一方向与雷达的法线平行；
根据所述移动速度对所述轨迹数据集中的轨迹数据进行分类，得到第一轨迹数据集和第二轨迹数据集；
将所述第一轨迹数据集中的坐标信息集和所述第二轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图和第二轨迹密度图；所述第一轨迹密度图包括多条参考脊线；
根据所述参考脊线生成对应车道的中心线的坐标向量；
根据所述第二轨迹密度图中满足第二预设条件的位置确定停车线的位置；
根据所述停车线的位置和所述坐标向量对所述车道进行标定。
以上各个操作的具体实施可参见前面的实施例，在此不作赘述。
由上可知，本实施例的电子设备由于通过雷达采集每个目标车辆在预设时长内的运动轨迹，形成轨迹数据集；根据所述移动速度对所述轨迹数据集中的轨迹数据进行分类，得到第一轨迹数据集和第二轨迹数据集；将所述第一轨迹数据集中的坐标信息集和所述第二轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图和第二轨迹密度图；所述第一轨迹密度图包括多条参考脊线；根据所述参考脊线生成对应车道的中心线的坐标向量；根据所述第二轨迹密度图中满足第二预设条件的位置确定停车线的位置；根据所述停车线的位置和所述坐标向量对所述车道进行标定，因此提高了车道划分的准确性。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种车道的标定方法中的步骤。例如，该指令可以执行如下步骤：
通过雷达采集每个目标车辆在预设时长内的运动轨迹，形成轨迹数据集；所述轨迹数据集包括所述目标车辆在不同时刻处于雷达坐标系中的坐标信息集和所述目标车辆在第一方向上的移动速度；其中所述第一方向与雷达的法线平行；
根据所述移动速度对所述轨迹数据集中的轨迹数据进行分类，得到第一轨迹数据集和第二轨迹数据集；
将所述第一轨迹数据集中的坐标信息集和所述第二轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图和第二轨迹密度图；所述第一轨迹密度图包括多条参考脊线；
根据所述参考脊线生成对应车道的中心线的坐标向量；
根据所述第二轨迹密度图中满足第二预设条件的位置确定停车线的位置；
根据所述停车线的位置和所述坐标向量对所述车道进行标定。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本申请实施例所提供的任一种车道的标定方法中的步骤，因此，可以实现本申请实施例所提供的任一种车道的标定方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种车道的标定方法、装置以及电子设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种车道的标定方法，其特征在于，其中所述车道所在区域内预先设置有雷达，所述方法包括：
通过所述雷达采集每个目标车辆在预设时长内的运动轨迹，形成轨迹数据集；所述轨迹数据集包括所述目标车辆在不同时刻处于雷达坐标系中的坐标信息集和所述目标车辆在第一方向上的移动速度；其中所述第一方向与所述雷达的法线平行；
根据所述移动速度对所述轨迹数据集中的轨迹数据进行分类，得到第一轨迹数据集和第二轨迹数据集；
将所述第一轨迹数据集中的坐标信息集和所述第二轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图和第二轨迹密度图；所述第一轨迹密度图包括多条参考脊线；
根据所述参考脊线生成对应车道的中心线的坐标向量；
根据所述第二轨迹密度图中满足第二预设条件的位置确定停车线的位置；
根据所述停车线的位置和所述坐标向量对所述车道进行标定。
2.根据权利要求1所述的车道的标定方法，其特征在于，所述根据所述参考脊线生成对应车道的中心线的坐标向量的步骤包括：
在所述多条参考脊线中选取满足第一预设条件的参考脊线，作为候选线；
当初始候选线与所述雷达的法线之间存在夹角时，获取所述候选线与所述雷达的法线之间的夹角，得到偏转角度；
根据所述偏转角度对所述参考脊线的角度进行调整，得到调整脊线；
根据所述调整脊线生成对应车道的中心线的坐标向量。
3.根据权利要求2所述的车道的标定方法，其特征在于，所述根据所述调整脊线生成对应车道的中心线的坐标向量的步骤包括：
在所述调整脊线上标记控制点，根据所述控制点生成对应车道的初始脊线；
当所述初始脊线与所述调整脊线重合时，将所述初始脊线作为对应车道的中心线；
对所述车道的中心线进行离散化采样，生成对应车道的中心线的坐标向量。
4.根据权利要求2所述的车道的标定方法，其特征在于，所述获取所述候选线与所述雷达的法线之间的夹角，得到偏转角度的步骤包括：
当初始候选线与所述雷达的法线之间存在夹角时，根据预设角度分别对所述轨迹数据集中的各坐标信息进行修正，得到修正数据集，并根据所述修正数据集获取修正候选线；
当修正候选线与所述雷达的法线之间不存在夹角时，将该预设角度作为偏转角度。
5.根据权利要求4所述的车道的标定方法，其特征在于，所述根据预设角度分别对所述轨迹数据集中的各坐标信息进行修正，得到修正数据集的步骤具体如下式所示：
x1＝R0sin(θ0-Δ)
y1＝R0cos(θ0-Δ)
其中
Figure FDA0002469889540000021
Figure FDA0002469889540000022
x1、y1分别表示修正后的目标车辆在第一预设方向的坐标和第二预设方向的坐标；x0、y0分别表示位修正前的目标车辆在第一预设方向的坐标和第二预设方向的坐标；Δ表示所述预设角度。
6.根据权利要求1所述的车道的标定方法，其特征在于，所述将所述第一轨迹数据集中的坐标信息集和所述第二轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图和第二轨迹密度图的步骤包括：
将各第一坐标信息、各第二坐标信息分别分配到所述雷达坐标系中的网格单元中；其中所述第一坐标信息为所述第一轨迹数据集中的坐标信息集中的坐标信息，所述第二坐标信息集为第二轨迹数据集中的坐标信息集中的坐标信息；
分别统计所述雷达坐标系中的各网格单元中所分配到的第一坐标信息的数量和第二坐标信息的数量；
根据所分配到的第一坐标信息的数量对所述雷达坐标系中对应的网格单元的灰阶值进行调整，得到多个第一目标灰阶值；
根据所分配到的第二坐标信息的数量对所述雷达坐标系中对应的网格单元的灰阶值进行调整，得到多个第二目标灰阶值；
根据多个所述第一目标灰阶值生成第一轨迹密度图；
根据多个所述第二目标灰阶值生成第二轨迹密度图。
7.根据权利要求1所述的车道的标定方法，其特征在于，
所述根据所述移动速度对所述轨迹数据集进行分类，分别得到第一轨迹数据集和第二轨迹数据集的步骤包括：
当所述移动速度大于第一预设阈值时，则确定所述移动速度对应的轨迹数据为第一轨迹数据；所述第一轨迹数据集包括多个第一轨迹数据；
当所述移动速度小于第二预设阈值时，则确定所述移动速度对应的轨迹数据为第二轨迹数据；所述第二轨迹数据集包括多个所述第二轨迹数据。
8.根据权利要求1所述的车道的标定方法，其特征在于，
所述根据所述移动速度对所述轨迹数据集中的轨迹数据进行分类，得到第一轨迹数据集和第二轨迹数据集的步骤包括：
根据所述移动速度对所述轨迹数据集中的轨迹数据进行分类，得到第一轨迹数据集、第二轨迹数据集以及第三轨迹数据集；
所述将所述第一轨迹数据集中的坐标信息集和所述第二轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图和第二轨迹密度图的步骤包括：
将所述第一轨迹数据集中的坐标信息集和所述第二轨迹数据集中的坐标信息集以及所述第三轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图和第二轨迹密度图以及第三轨迹密度图；所述第一轨迹密度图和所述第三轨迹密度图均包括多条参考脊线。
9.一种车道的标定装置，其特征在于，其中所述车道所在区域内预先设置有雷达，所述装置包括：
数据获取模块，用于通过所述雷达采集每个目标车辆在预设时长内的运动轨迹，形成轨迹数据集；所述轨迹数据集包括所述目标车辆在不同时刻处于雷达坐标系中的坐标信息集和所述目标车辆在第一方向上的移动速度；其中所述第一方向与所述雷达的法线平行；
数据分类模块，用于根据所述移动速度对所述轨迹数据集中的轨迹数据进行分类，得到第一轨迹数据集和第二轨迹数据集；
映射模块，用于将所述第一轨迹数据集中的坐标信息集和所述第二轨迹数据集中的坐标信息集分别映射到所述雷达坐标系中的网格单元中，形成第一轨迹密度图和第二轨迹密度图；所述第一轨迹密度图包括多条参考脊线；
向量生成模块，用于根据所述参考脊线生成对应车道的中心线的坐标向量；
确定模块，用于根据所述第二轨迹密度图中满足第二预设条件的位置确定停车线的位置；
标定模块，用于根据所述停车线的位置和所述坐标向量对所述车道进行标定。
10.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器用于存储程序代码，所述电子设备运行时，所述处理器用于执行所述程序代码，以执行权利要求1至8中任意一项所述的车道的标定方法。
CN202010345409.2A 2020-04-27 2020-04-27 一种车道的标定方法、装置以及电子设备 Active CN111537990B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010345409.2A CN111537990B (zh) 2020-04-27 2020-04-27 一种车道的标定方法、装置以及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010345409.2A CN111537990B (zh) 2020-04-27 2020-04-27 一种车道的标定方法、装置以及电子设备

Publications (2)

Publication Number Publication Date
CN111537990A true CN111537990A (zh) 2020-08-14
CN111537990B CN111537990B (zh) 2022-02-22

Family

ID=71978917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010345409.2A Active CN111537990B (zh) 2020-04-27 2020-04-27 一种车道的标定方法、装置以及电子设备

Country Status (1)

Country Link
CN (1) CN111537990B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112382092A (zh) * 2020-11-11 2021-02-19 成都纳雷科技有限公司 交通毫米波雷达自动生成车道的方法、系统及介质
CN112433203A (zh) * 2020-10-29 2021-03-02 同济大学 一种基于毫米波雷达数据的车道线形检测方法
CN112530159A (zh) * 2020-11-13 2021-03-19 鹏城实验室 一种自标定式多车道级交通流量检测方法及电子设备
CN112630736A (zh) * 2020-12-21 2021-04-09 北京百度网讯科技有限公司 路侧雷达的参数确定方法、装置、设备及存储介质
CN112763995A (zh) * 2020-12-24 2021-05-07 北京百度网讯科技有限公司 雷达标定方法、装置、电子设备和路侧设备
CN113720348A (zh) * 2021-11-01 2021-11-30 深圳市城市交通规划设计研究中心股份有限公司 一种车路协同环境下的车辆车道级定位方法及电子设备
CN114964138A (zh) * 2022-05-11 2022-08-30 超级视线科技有限公司 一种基于多路口的雷达安装角确定方法及系统
CN115166743A (zh) * 2022-08-30 2022-10-11 长沙隼眼软件科技有限公司 车道自动标定方法、装置、电子设备及存储介质
WO2023071405A1 (zh) * 2021-10-26 2023-05-04 华为技术有限公司 室内停车场定位方法、计算机设备、存储介质及程序产品
CN116859380A (zh) * 2023-09-05 2023-10-10 长沙隼眼软件科技有限公司 目标航迹的测量方法、装置、电子设备及存储介质
CN117289278A (zh) * 2023-11-24 2023-12-26 广州市德赛西威智慧交通技术有限公司 基于交通雷达的车道属性确定方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103903019A (zh) * 2014-04-11 2014-07-02 北京工业大学 一种多车道车辆轨迹时空图的自动生成方法
JP2017105260A (ja) * 2015-12-07 2017-06-15 株式会社豊田中央研究所 走路パラメータ推定装置及びプログラム
CN108036794A (zh) * 2017-11-24 2018-05-15 华域汽车系统股份有限公司 一种高精度地图生成系统及生成方法
CN109059954A (zh) * 2018-06-29 2018-12-21 广东星舆科技有限公司 支持高精度地图车道线实时融合更新的方法和系统
CN109657686A (zh) * 2018-10-31 2019-04-19 百度在线网络技术（北京）有限公司 车道线生成方法、装置、设备以及存储介质
CN109816982A (zh) * 2019-02-25 2019-05-28 东南大学 基于共享单车轨迹的虚拟路网非机动车道属性修正方法
CN110288675A (zh) * 2019-06-30 2019-09-27 武汉中海庭数据技术有限公司 一种车道参考线构建方法、装置及存储介质
US20190340781A1 (en) * 2018-09-07 2019-11-07 Baidu Online Network Technology (Beijing) Co., Ltd. Obstacle detecting method and obstacle detecting apparatus based on unmanned vehicle, and device, and storage medium
WO2020025991A1 (ja) * 2018-08-03 2020-02-06 日産自動車株式会社 走行軌跡補正方法、走行制御方法、及び走行軌跡補正装置
EP3618027A1 (en) * 2017-05-17 2020-03-04 Mitsubishi Electric Corporation Object identification device, road-side device and object identification method

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103903019A (zh) * 2014-04-11 2014-07-02 北京工业大学 一种多车道车辆轨迹时空图的自动生成方法
JP2017105260A (ja) * 2015-12-07 2017-06-15 株式会社豊田中央研究所 走路パラメータ推定装置及びプログラム
EP3618027A1 (en) * 2017-05-17 2020-03-04 Mitsubishi Electric Corporation Object identification device, road-side device and object identification method
CN108036794A (zh) * 2017-11-24 2018-05-15 华域汽车系统股份有限公司 一种高精度地图生成系统及生成方法
CN109059954A (zh) * 2018-06-29 2018-12-21 广东星舆科技有限公司 支持高精度地图车道线实时融合更新的方法和系统
WO2020025991A1 (ja) * 2018-08-03 2020-02-06 日産自動車株式会社 走行軌跡補正方法、走行制御方法、及び走行軌跡補正装置
US20190340781A1 (en) * 2018-09-07 2019-11-07 Baidu Online Network Technology (Beijing) Co., Ltd. Obstacle detecting method and obstacle detecting apparatus based on unmanned vehicle, and device, and storage medium
CN109657686A (zh) * 2018-10-31 2019-04-19 百度在线网络技术（北京）有限公司 车道线生成方法、装置、设备以及存储介质
CN109816982A (zh) * 2019-02-25 2019-05-28 东南大学 基于共享单车轨迹的虚拟路网非机动车道属性修正方法
CN110288675A (zh) * 2019-06-30 2019-09-27 武汉中海庭数据技术有限公司 一种车道参考线构建方法、装置及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FELIPE JIMÉNEZ ET AL.: ""Improving the Lane Reference Detection for Autonomous Road Vehicle Control"", 《JOURNAL OR SENSORS》 *
曹林 等: ""基于CFAR和摆角自修正多目标交通雷达算法优化"", 《电子技术应用》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022089194A1 (zh) * 2020-10-29 2022-05-05 同济大学 一种基于毫米波雷达数据的车道线形检测方法
CN112433203A (zh) * 2020-10-29 2021-03-02 同济大学 一种基于毫米波雷达数据的车道线形检测方法
CN112433203B (zh) * 2020-10-29 2023-06-20 同济大学 一种基于毫米波雷达数据的车道线形检测方法
CN112382092B (zh) * 2020-11-11 2022-06-03 成都纳雷科技有限公司 交通毫米波雷达自动生成车道的方法、系统及介质
CN112382092A (zh) * 2020-11-11 2021-02-19 成都纳雷科技有限公司 交通毫米波雷达自动生成车道的方法、系统及介质
CN112530159A (zh) * 2020-11-13 2021-03-19 鹏城实验室 一种自标定式多车道级交通流量检测方法及电子设备
CN112630736A (zh) * 2020-12-21 2021-04-09 北京百度网讯科技有限公司 路侧雷达的参数确定方法、装置、设备及存储介质
CN112763995B (zh) * 2020-12-24 2023-09-01 阿波罗智联(北京)科技有限公司 雷达标定方法、装置、电子设备和路侧设备
CN112763995A (zh) * 2020-12-24 2021-05-07 北京百度网讯科技有限公司 雷达标定方法、装置、电子设备和路侧设备
WO2023071405A1 (zh) * 2021-10-26 2023-05-04 华为技术有限公司 室内停车场定位方法、计算机设备、存储介质及程序产品
CN113720348B (zh) * 2021-11-01 2022-03-18 深圳市城市交通规划设计研究中心股份有限公司 一种车路协同环境下的车辆车道级定位方法及电子设备
CN113720348A (zh) * 2021-11-01 2021-11-30 深圳市城市交通规划设计研究中心股份有限公司 一种车路协同环境下的车辆车道级定位方法及电子设备
CN114964138A (zh) * 2022-05-11 2022-08-30 超级视线科技有限公司 一种基于多路口的雷达安装角确定方法及系统
CN114964138B (zh) * 2022-05-11 2023-09-26 超级视线科技有限公司 一种基于多路口的雷达安装角确定方法及系统
CN115166743A (zh) * 2022-08-30 2022-10-11 长沙隼眼软件科技有限公司 车道自动标定方法、装置、电子设备及存储介质
CN116859380A (zh) * 2023-09-05 2023-10-10 长沙隼眼软件科技有限公司 目标航迹的测量方法、装置、电子设备及存储介质
CN116859380B (zh) * 2023-09-05 2023-11-21 长沙隼眼软件科技有限公司 目标航迹的测量方法、装置、电子设备及存储介质
CN117289278A (zh) * 2023-11-24 2023-12-26 广州市德赛西威智慧交通技术有限公司 基于交通雷达的车道属性确定方法及装置
CN117289278B (zh) * 2023-11-24 2024-02-02 广州市德赛西威智慧交通技术有限公司 基于交通雷达的车道属性确定方法及装置

Also Published As

Publication number Publication date
CN111537990B (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
CN111537990B (zh) 一种车道的标定方法、装置以及电子设备
CN112069944B (zh) 一种道路拥堵等级确定方法
CN111027430B (zh) 一种面向无人车智能评估的交通场景复杂度计算方法
CN110009037B (zh) 一种基于物理信息耦合的工程风速短时预测方法及系统
CN110888125A (zh) 一种基于毫米波雷达的自动驾驶车辆定位方法
WO2019063299A1 (de) Verfahren und system zum kartieren und lokalisieren eines fahrzeugs basierend auf radarmessungen
CN111369053B (zh) 一种人车交互场景下行人与车辆的轨迹预测方法
Xi et al. A hybrid algorithm of traffic accident data mining on cause analysis
CN111651712A (zh) 一种智能汽车测试场景复杂度的评估方法及系统
CN111325187B (zh) 一种车道位置的识别方法及装置
Zhang et al. Vehicle re-identification for lane-level travel time estimations on congested urban road networks using video images
CN109782751A (zh) 用于自主系统性能和基准测试的方法和设备
CN110646007B (zh) 一种基于形式化表示的车辆驾驶方法
Zheng et al. A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images
CN112085843B (zh) 一种隧道类目标特征实时提取及测量方法和装置
Thakali et al. Model-based versus data-driven approach for road safety analysis: Do more data help?
CN114492544B (zh) 模型训练方法及装置、交通事件发生概率评估方法及装置
Du et al. Learning-based lane-change behaviour detection for intelligent and connected vehicles
CN116434523A (zh) 信息感知场景下基于约束度的车辆主动安全管控方法及装置
CN113276860B (zh) 车辆控制方法、装置、电子设备以及存储介质
CN114842285A (zh) 路侧泊位号码识别方法以及装置
CN114895274A (zh) 一种护栏识别方法
JPH0972965A (ja) 気象擾乱の予測方法
CN108898178B (zh) 一种人类驾驶员弯道轨迹建模方法
DE102020118318A1 (de) Verfahren und Vorrichtung zur Erkennung eines Verkehrsknotenpunktes auf Basis von Trajektoriendaten

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