CN111611958B - 确定众包数据中车道线形状的方法、装置和设备 - Google Patents
确定众包数据中车道线形状的方法、装置和设备 Download PDFInfo
- Publication number
- CN111611958B CN111611958B CN202010467193.7A CN202010467193A CN111611958B CN 111611958 B CN111611958 B CN 111611958B CN 202010467193 A CN202010467193 A CN 202010467193A CN 111611958 B CN111611958 B CN 111611958B
- Authority
- CN
- China
- Prior art keywords
- relative
- coordinate data
- lane line
- offset
- road reference
- 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 53
- 230000002776 aggregation Effects 0.000 claims abstract description 21
- 238000004220 aggregation Methods 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000000295 complement effect Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 84
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000001914 filtration Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- WYTGDNHDOZPMIW-RCBQFDQVSA-N alstonine Natural products C1=CC2=C3C=CC=CC3=NC2=C2N1C[C@H]1[C@H](C)OC=C(C(=O)OC)[C@H]1C2 WYTGDNHDOZPMIW-RCBQFDQVSA-N 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Instructional Devices (AREA)
Abstract
本发明实施例提供一种确定众包数据中车道线形状的方法、装置和设备，通过对车道线对应的数据进行分段聚合预处理；将预处理后的数据由大地坐标系转化到以道路参考线的起点为原点的北东地坐标系，再在北东地坐标系中获取该车道线的坐标数据相对于道路参考线的相对偏移量，对该相对偏移量拟合，根据拟合结果，还原车道线数据为大地坐标系中数据，根据还原的大地坐标系中数据得到车道线形状。提高了车道线形状识别效率。
Description
技术领域
本发明实施例涉及无人驾驶领域，尤其涉及一种确定众包数据中车道线形状的方法、装置和设备。
背景技术
高精度地图可以准确地体现实际道路信息，被广泛应用于无人驾驶领域，由于部分实际道路信息(如车道线形状)会发生变化，所以通常要对高精度地图进行更新，那么，就需要识别车道线形状，以实现高精度地图的更新。
现有技术中，通过数据采集设备采集车道线数据，利用高斯滤波对该数据进行去噪，将去噪后的数据按照相似度进行聚类，对聚类后的数据进行拟合，得到车道线形状。然而，这些操作都是对绝对坐标数据进行处理，其识别车道线形状的效率低。
发明内容
本发明实施例提供一种确定众包数据中车道线形状的方法、装置和设备，以提高车道线形状识别效率。
第一方面，本发明实施例提供一种确定众包数据中车道线形状的方法，所述方法包括：
对同一车道线对应的至少两组第一坐标数据进行分段聚合预处理，得到所述车道线对应的一组第一坐标数据，其中，所述第一坐标数据为基于大地坐标系的数据；
将所述车道线对应的一组第一坐标数据转化为基于北东地坐标系的第二坐标数据，其中，所述北东地坐标系以所述车道线对应的道路参考线的起点为原点；
根据所述车道线的第二坐标数据获取所述第二坐标数据相对于所述道路参考线的相对偏移量；
对所述第二坐标数据相对于所述道路参考线的相对偏移量进行拟合处理，得到所述车道线相对于所述道路参考线的相对偏移量；
根据所述车道线相对于所述道路参考线的相对偏移量、所述道路参考线、所述北东地坐标系，获取所述车道线基于所述大地坐标系的车道线的形状。
在一种可能的实施方式中，所述对同一车道线对应的至少两组第一坐标数据进行分段聚合预处理，得到所述车道线对应的一组第一坐标数据，包括：
从众包数据中，获取同一条车道线对应的至少两组第一坐标数据；
基于道路参考线的分段对所述至少两组第一坐标数据进行分段处理，获取每个分段对应的车道线的至少两组第一坐标数据；
对所述每个分段对应的车道线的至少两组第一坐标数据进行聚合处理，得到每个分段对应的车道线的一组第一坐标数据。
在一种可能的实施方式中，所述对所述每个分段对应的车道线的至少两组第一坐标数据进行聚合处理，得到每个分段对应的车道线的一组第一坐标数据之前，还包括：
根据插值点的横坐标和纵坐标对每个分段对应的车道线至少两组第一坐标数据进行补全处理。
在一种可能的实施方式中，所述根据所述车道线的第二坐标数据获取所述第二坐标数据相对于道路参考线的相对偏移量，包括：
根据所述车道线的第二坐标数据在所述道路参考线上的投影，确定每个所述第二坐标数据相对于道路参考线的相对偏移量，其中，投影点的纵向坐标作为相对纵向偏移量，投影点与第二坐标数据的横向差值、高程差值作为相对横向偏移量、相对高程偏移量。
在一种可能的实施方式中，所述对所述第二坐标数据相对于所述道路参考线的相对偏移量进行拟合处理，得到所述车道线相对于所述道路参考线的相对偏移量之前，还包括：
对每个分段对应的相对偏移量分别进行标准差阈值去噪处理；和/或
对所有分段对应的相对偏移量进行滑动窗口阈值去噪处理。
在一种可能的实施方式中，所述第二坐标数据相对于所述道路参考线的相对偏移量包括相对横向偏移量和相对高程偏移量，且所述相对横向偏移量和所述相对高程偏移量无相关性；所述对所述第二坐标数据相对于所述道路参考线的相对偏移量进行拟合处理，包括：
采用二阶多项式，分别对所述第二坐标数据相对于所述道路参考线的相对横向偏移量和相对高程偏移量进行拟合处理。
在一种可能的实施方式中，根据所述车道线相对于所述道路参考线的相对偏移量、所述道路参考线、所述北东地坐标系，获取所述车道线基于所述大地坐标系的车道线的形状，包括：
根据所述车道线相对于所述道路参考线的相对偏移量和所述道路参考线，将所述车道线相对于所述道路参考线的相对偏移量转化为基于所述北东地坐标系的第四坐标数据；
将所述基于所述北东地坐标系的第四坐标数据转化为基于大地坐标系的第三坐标数据；
根据所述第三坐标数据得到车道线的形状。
第二方面，本发明实施例提供一种确定众包数据中车道线形状的装置，所述装置包括：
预处理模块，用于对同一车道线对应的至少两组第一坐标数据进行分段聚合预处理，得到所述车道线对应的一组第一坐标数据，其中，所述第一坐标数据为基于大地坐标系的数据；
转化模块，用于将所述车道线对应的一组第一坐标数据转化为基于北东地坐标系的第二坐标数据，其中，所述北东地坐标系以所述车道线对应的道路参考线的起点为原点；
第一获取模块，用于根据所述车道线的第二坐标数据获取所述车道线的第二坐标数据相对于所述道路参考线的相对偏移量；
拟合模块，用于对所述第二坐标数据相对于所述道路参考线的相对偏移量进行拟合处理，得到所述车道线相对于所述道路参考线的相对偏移量；
第二获取模块，用于根据所述车道线相对于所述道路参考线的相对偏移量、所述道路参考线、所述北东地坐标系，获取所述车道线基于所述大地坐标系的车道线的形状。
在一种可能的实施方式中，所述预处理模块，具体用于：
从众包数据中，获取同一条车道线对应的至少两组第一坐标数据；
基于道路参考线的分段对所述至少两组第一坐标数据进行分段处理，获取每个分段对应的车道线的至少两组第一坐标数据；
对所述每个分段对应的车道线的至少两组第一坐标数据进行聚合处理，得到每个分段对应的车道线的一组第一坐标数据。
在一种可能的实施方式中，所述装置还包括补全模块；
所述补全模块，用于在对所述每个分段对应的车道线的至少两组第一坐标数据进行聚合处理，得到每个分段对应的车道线的一组第一坐标数据之前，根据插值点的横坐标和纵坐标对每个分段对应的车道线至少两组第一坐标数据进行补全处理。
在一种可能的实施方式中，所述第一获取模块具体用于：
根据所述车道线的第二坐标数据在所述道路参考线上的投影，确定每个所述第二坐标数据相对于道路参考线的相对偏移量，其中，投影点的纵向坐标作为相对纵向偏移量，投影点与第二坐标数据的横向差值、高程差值作为相对横向偏移量、相对高程偏移量。
在一种可能的实施方式中，所述装置还包括去噪模块；
所述去噪模块，用于在对所述第二坐标数据相对于所述道路参考线的相对偏移量进行拟合处理，得到所述车道线相对于所述道路参考线的相对偏移量之前，对每个分段对应的相对偏移量分别进行标准差阈值去噪处理；和/或对所有分段对应的相对偏移量进行滑动窗口阈值去噪处理。
在一种可能的实施方式中，所述第二坐标数据相对于所述道路参考线的相对偏移量包括相对横向偏移量和所述相对高程偏移量，且所述相对横向偏移量和所述相对高程偏移量无相关性；
所述拟合模块，具体用于采用二阶多项式，分别对所述第二坐标数据相对于所述道路参考线的相对横向偏移量和相对高程偏移量进行拟合处理。
在一种可能的实施方式中，所述第二获取模块，具体用于：
根据所述车道线相对于所述道路参考线的相对偏移量和所述道路参考线，将所述车道线相对于所述道路参考线的相对偏移量转化为基于所述北东地坐标系的第四坐标数据；
将所述基于所述北东地坐标系的第四坐标数据转化为基于大地坐标系的第三坐标数据；
根据所述第三坐标数据得到车道线的形状。
第三方面，本发明实施例提供一种确定众包数据中车道线形状的装置，包括：至少一个处理器和存储器；
所述存储器用于存储计算机执行指令；
所述至少一个处理器用于执行所述存储器中存储的计算机执行指令，使得所述至少一个处理器执行上述第一方面任一项所述的确定众包数据中车道线形状的方法。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上述第一方面任意一项所述的确定众包数据中车道线形状的方法。
本发明实施例提供的确定众包数据中车道线形状的方法、装置和设备，对车道线对应的数据进行分段聚合预处理，将预处理后的数据由大地坐标系转化到以道路参考线的起点为原点的北东地坐标系，再在北东地坐标系中获取该车道线相对于道路参考线的相对偏移量，对该相对偏移量拟合，根据拟合结果，还原车道线数据为大地坐标系中数据，得到车道线形状。这样，先对车道线对应的数据预处理，减小了数据处理量，再将预处理后的数据由绝对坐标数据转化为相对于道路参考线的相对偏移量，对相对偏移量进行拟合处理，减小了拟合复杂度，因此，提高了车道线形状识别效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种确定众包数据中车道线形状的方法的流程示意图；
图2为本发明实施例提供的同一条车道线对应的多个众包车道线数据示意图；
图3为本发明实施例提供的曲率变化的弯道车道线形状示意图；
图4为本发明实施例提供的另一种确定众包数据中车道线形状的方法的流程示意图；
图5为本发明实施例提供的道路参考线划分示意图；
图6为本发明实施例提供的一种确定众包数据中车道线形状的装置的结构示意图；
图7为本发明实施例提供的另一种确定众包数据中车道线形状的装置的结构示意图；
图8为本发明实施例提供的确定众包数据中车道线形状的装置的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，本领域普通技术人员在没有做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。
无人驾驶依赖于高精度地图，因为高精度地图可以准确地体现实际道路信息。高精度地图中包括车道模型、对象模型等关键模型，当这些关键模型对应的实体信息发生变化时，需要识别并确定所发生变化的实体信息，以更新高精度地图。本申请中以车道线形状为例，当实际道路中车道线形状发生变化时，则需识别并确定发生变化的车道线形状，将识别并确定的车道线形状更新到高精度地图中。
实际应用中，由于众包数据的成本低、鲜度高、数据来源广泛，通常将众包数据作为更新高精度地图的数据来源。其中，众包数据可以是用户在使用带有定位功能的应用程序时，该应用程序上报到服务器的位置数据。
本申请中基于高精度地图中的道路参考线，将车道线对应的数据由绝对坐标转换成相对于道路参考线的相对偏移量，再进行拟合处理，减小了拟合处理的复杂度，因此，提高了车道线形状识别效率。
下面，通过具体实施例对本申请所示的技术方案进行详细说明。需要说明的是，下面几个具体实施例可以相互结合，对于相同或相似的内容，在不同的实施例中不再进行重复说明。
图1为本发明实施例提供的一种确定众包数据中车道线形状的方法的流程示意图，请参见图1，该方法可以包括：
S101：对同一车道线对应的至少两组第一坐标数据进行分段聚合预处理，得到车道线对应的一组第一坐标数据，其中，第一坐标数据为基于大地坐标系的数据。
可选的，本发明实施例的执行主体可以为电子设备，也可以为设置在电子设备中的确定车道线形状的装置。可选的，电子设备可以是手机、电脑、服务器等设备。可选的，确定车道线形状的装置可以通过软件实现，也可以通过软件和硬件的结合实现。
预处理可以是分段、聚合。大地坐标系(如WGS84(World Geodetic System1984)坐标系)可以是以参考椭球面为基准面建立起来的坐标系，其坐标分量包括大地经度、大地纬度和大地高度，属于绝对坐标系。
第一坐标数据为基于大地坐标系的数据，则第一坐标数据可以为基于绝对坐标系的数据。比如n组第一坐标数据可以为(x1，y1，z1)，(x2，y2，z2)，…，(xn，yn，zn)，其中，x1、x2、...、xn为大地坐标系下的大地经度，y1、y2、...、yn为大地坐标系下的大地纬度，z1、z2、...、zn为大地坐标系下的大地高度。一组第一坐标数据可以为车道线的一条众包数据。
具体的，可以通过如下方式预处理：从众包数据中，获取同一条车道线对应的至少两组第一坐标数据；基于道路参考线的分段对至少两组第一坐标数据进行分段处理，获取每个分段对应的车道线的至少两组第一坐标数据；对每个分段对应的车道线的至少两组第一坐标数据进行聚合处理，得到每个分段对应的车道线的一组第一坐标数据。
可选的，众包数据可以包括众包车道线数据。用户在使用带有定位功能的应用程序的过程中，载有应用程序的客户端会将当前位置信息上报到服务器，服务器对这些位置信息进行处理，形成众包车道线数据，对众包车道线数据进行分类，得到同一条车道线对应的众包数据。图2为本发明实施例提供的同一条车道线对应的多个众包车道线数据示意图。如图2所示，该道路的车道线包括车道线A和车道线B，通过对众包车道线数据进行分类，得到车道线B对应的多个众包车道线数据。这样，只需要根据众包数据采集车道线点序列，相对于现有技术中对采集数据的样式(如采集的图片的格式)要求严格来说，可以更方便地获取到车道线的第一数据，提高了数据采集效率。
S102：将车道线对应的一组第一坐标数据转化为基于北东地坐标系的第二坐标数据，其中，北东地坐标系以车道线对应的道路参考线的起点为原点。
北东地(NED，North East Down)坐标系，简称n坐标系，也叫导航坐标系，是在导航时根据导航系统工作的需要而选取的用于导航解算的参考坐标系。NED坐标系各坐标轴分别定义为：N表示北轴指向地球北；E表示东轴指向地球东；D表示地轴垂直于地球表面并指向下。
第一坐标数据为WGS84坐标系下的三维绝对坐标数据，WGS84坐标系为全局坐标系，对全局坐标系的绝对坐标进行空间计算，会由于地球本身形状的不规则，使得计算结果误差较大。可选的，本实施例中将车道线对应的第一坐标数据转化为基于NED坐标系的第二坐标数据，该NED坐标系为局部坐标系，以道路参考线的起点为原点，该道路参考线是高精度地图中本身存在的，可以准确地表述车道线信息，因此，减小了车道线数据的计算误差。
S103：根据车道线的第二坐标数据获取车道线的第二坐标数据相对于道路参考线的相对偏移量。
经过S102的转换，得到的第二坐标数据为局部坐标系下的绝对坐标数据。
可选的，道路参考线可以是高精度地图中本身存在的道路参考线。
本申请中利用高精度地图中本身存在的道路参考线，相对于利用通过霍夫曼变换进行直线检测得到的道路参考线来说，提高了确定复杂车道线形状的能力。且由于本申请中道路参考线是高精度地图自带的，可以准确地区分出车道线是直线段还是曲线段，从而可以提高确定车道线形状的精度。
实际应用中，道路的车道线形状可能会存在蛇形道、直角弯道等复杂形状，直接对第二坐标数据进行处理，其计算量及复杂度高，本实施例中将车道线的第二坐标数据转换为相对于道路参考线的相对偏移量，该道路参考线可以准确地表述车道线信息，从而简化了计算复杂度，降低了计算量。
S104：对第二坐标数据相对于道路参考线的相对偏移量进行拟合处理，得到车道线相对于道路参考线的相对偏移量。
可选的，可以使用插值法、多项式法等方式对相对偏移量进行拟合处理。在实际应用中，往往需要对直线形状，固定曲率弯道形状，变化曲率弯道形状以及直线与弯道组合的车道线形状，或者曲率变化频繁的弯道车道线形状进行拟合，如图3所示，图3为本发明实施例提供的曲率变化的弯道车道线形状示意图。
由于车道线形状复杂、曲率变化频繁，直接对大地坐标系中车道线数据进行拟合处理，会使得拟合算法复杂，且拟合效果不佳。本实施例中，通过S102和S103将车道线的大地坐标转换成为相对于道路参考线的相对偏移量，然后对该相对偏移量进行拟合处理，这样，将复杂的三维拟合转换为一维拟合，相对于只针对车道线形状进行直线拟合，对复杂车道线形状拟合造成失真来说，不仅简化了拟合算法，提高了拟合效率，同时还提高了车道线形状的精度。
S105：根据车道线相对于道路参考线的相对偏移量、道路参考线、北东地坐标系，获取车道线基于大地坐标系的车道线的形状。
可选的，可以通过如下方式获取车道线基于大地坐标系的车道线的形状：
根据车道线相对于道路参考线的相对偏移量和道路参考线，将车道线相对于道路参考线的相对偏移量转化为基于北东地坐标系的第四坐标数据；将基于北东地坐标系的第四坐标数据转化为基于大地坐标系的第三坐标数据；根据第三坐标数据得到车道线的形状。
其中，第四坐标数据为以道路参考线的起点为原点的北东地坐标系中坐标数据。第三坐标数据为基于大地坐标系的数据，为全局坐标系下的绝对坐标数据。第三坐标数据可以是多个点的坐标数据，可以依次连接WGS84坐标系下的第三坐标数据对应的点序列，得到车道线形状。该车道线形状与实际道路中车道线形状近似一致，可以精确地表示实际道路中车道线形状。
本实施例，对车道线对应的数据进行预处理，将预处理后的数据由大地坐标系转化到以道路参考线的起点为原点的北东地坐标系，再在北东地坐标系中获取该车道线的第二坐标数据相对于道路参考线的相对偏移量，对该相对偏移量拟合，根据拟合结果，还原车道线数据为大地坐标系中数据，根据还原的大地坐标系中数据得到车道线形状。这样，先对车道线对应的数据预处理，减小了数据处理量，再将预处理后的数据由绝对坐标数据转化为相对于道路参考线的相对偏移量，对相对偏移量进行拟合处理，减小了拟合复杂度，因此，提高了车道线形状识别效率。
在上面实施例的基础上，下面，对确定众包数据中车道线形状的方法进行详细说明。
图4为本发明实施例提供的另一种确定众包数据中车道线形状的方法的流程示意图。请参见图4，该实施例中，从众包数据中获取车道线的数据，对该数据聚合后转化为相对于道路参考线的相对偏移量，对该相对偏移量拟合前进行去噪处理，拟合后进行滤波处理。该方法可以包括：
S401：从众包数据中，获取同一条车道线对应的至少两组第一坐标数据。
第一坐标数据为基于大地坐标系的数据。大地坐标系为绝对坐标系，则第一坐标数据可以为基于绝对坐标系的数据。
S402：基于道路参考线的分段对至少两组第一坐标数据进行分段处理，获取每个分段对应的车道线的至少两组第一坐标数据。
可选的，可以通过如下方式获取每个分段对应的车道线的至少两组第一坐标数据：对道路参考线进行等距离划分，将道路参考线划分为至少两个分段；根据道路参考线的分段的位置数据，从至少两组第一坐标数据中获取每个分段对应的车道线的至少两组第一坐标数据。具体的，可以计算第一坐标数据到道路参考线上距离最近的点，最近的点在道路参考线上位于哪个分段，则第一坐标数据也属于该分段。
其中，对道路参考线进行等距离划分，划分的距离称为步长，如图5所示，图5为本发明实施例提供的道路参考线划分示意图。将划分后的分段从0开始进行编号，图中数字对应划分后的分段编号，每个分段的长度可以是预设长度，如1m。
S403：根据插值点的横坐标和纵坐标对每个分段对应的车道线至少两组第一坐标数据进行补全处理。
可选的，可以采用线性插值法对每个分段对应的车道线至少两组第一坐标数据进行补全处理。插值法可以是线性插值法、抛物线插值法等。
具体的，可以设函数y＝f(x)，在x0和x1两点上的值分别为y0和y1，则可得插值多项式如下公式一：
其中，x为插值点的横坐标，为插值点的纵坐标。
通过公式一，可得插值点坐标，根据插值点坐标，对每个分段对应的车道线至少两组第一坐标数据进行补全处理。
将补全后的第一坐标数据存储于对应的分段中，每个分段的存储格式可以是：RS＝{(x1，y1，z1)，(x2，y2，z2)，...，(xn，yn，zn)}，其中Rs为第一坐标数据集合，x1、x2、...、xn为WGS84坐标系下的大地经度，y1、y2、...、yn为WGS84坐标系下的大地纬度，z1、z2、...、zn为WGS84坐标系下的大地高度，每一组第一坐标数据代表一条众包数据。
S404：采用均值法对每个分段对应的车道线的至少两组第一坐标数据进行聚合处理，得到每个分段对应的车道线的一组第一坐标数据。
具体的，可以分别计算S403中第一坐标数据集合RS的所有元素的大地经度的平均值、大地纬度的平均值和大地高度的平均值，得到平均大地经度、平均大地纬度和平均大地高度作为每个分段对应的车道线的一组第一坐标数据。聚合后的全部第一坐标数据的集合可以表示为R′S＝{(r1，r2，...，rn)}，其中，r1、r2、...、rn分别表示第一坐标数据的平均值。
通过对每个分段对应的车道线的至少两组第一坐标数据进行聚合处理，得到每个分段对应的车道线的一组第一坐标数据，减小了数据量。
S405：将车道线对应的一组第一坐标数据转化为基于北东地坐标系的第二坐标数据。
其中，北东地坐标系以车道线对应的道路参考线的起点为原点。
具体的，S405可以是将车道线对应的一组第一坐标数据由全局坐标系转化到以道路参考线的起点为原点的局部坐标系。转化后的第二坐标数据为绝对坐标数据。
S406：根据第二坐标数据在道路参考线上的投影，确定每个第二坐标数据相对于道路参考线的相对偏移量。
可选的，将第二坐标数据对应的点在道路参考线上的投影点的纵向坐标作为相对纵向偏移量，该投影点与第二坐标数据的横向差值、高程差值分别作为相对横向偏移量、相对高程偏移量。本申请中，将相对横向偏移量、相对纵向偏移量、相对高程偏移量统称为相对偏移量。
S407：对第二坐标数据相对于道路参考线的相对偏移量进行去噪处理。
可选的，可以对每个分段对应的相对偏移量分别进行标准差阈值去噪处理；和/或对所有分段对应的相对偏移量进行滑动窗口阈值去噪处理。
具体的，通过如下方式进行标准差阈值去噪：
针对每个分段对应的相对偏移量，通过如下公式二，计算该相对偏移量对应的众包数据的标准差：
其中，为聚合后的第一坐标数据的平均值r的标准差，r为R′S＝{(r1，r2，...，rn)}中元素，N为自由度(n-1)，n为R′S中元素的个数。
对标准差阈值去噪后，仍然会存在标准差小的噪声数据，因此，需要将各个分段联合起来进行滑动窗口阈值去噪处理。具体的，可以通过如下方式进行滑动窗口阈值去噪：
首先，遍历道路参考线的分段集合(Si)中的各个分段，提取连续N个分段组成窗口W，W＝{Si-d，Si-d+1，...，Si+d-1，Si+d}，其中，d为N/2；然后，计算窗口W中的元素计算平均值，当分段Si的坐标与窗口W坐标的平均值相差大于预设阈值D时，则不对该分段数据作处理，否则，将分段Si中数据去除。其中，预设阈值D可以是但不限于5。
S408：采用二阶多项式对去噪后的第二坐标数据相对于道路参考线的相对偏移量进行拟合处理，得到车道线相对于道路参考线的相对偏移量。
对于去噪后的相对偏移量，获取其中预设数量个相对偏移量对应的点，通过这些点，计算得出最佳数学函数来表示这些点的过程称为拟合。本实施例中由于拟合的数据是相对高精度地图中道路参考线的相对偏移量，其本身已经包含复杂的车道线信息，因此，采用二阶多项式进行拟合。
实际应用中，可以对传统的双变量线性回归函数添加二次方项，得到二阶多项式函数。传统的双变量线性回归函数如下式所示：
h(x)＝w0+w1x1+w2x2
其中，w0、w1、w2为常数，x1为相对横向偏移量，x2为相对高程偏移量，h(x)为相对纵向偏移量。
二阶双变量多项式函数如下所示：
其中，w0、w1、w2、w3、w4、w5为常数。
分别用z1、z2、z3、z4、z5替换二阶双变量多项式函数中的x1、x2、x1x2、则上述二阶双变量多项式函数可以写成：h(x)＝w0+w1z1+w2z2+w3z3+w4z4+w5z5。
在本实施例中，由于相对横向偏移量与相对高程偏移量无相关性，即x1x2＝0，因此，可以将上述二阶双变量多项式函数拆分为两个二阶单变量多项式函数如下：
具体的，根据两个单变量函数，可以得到拟合后的车道线相对于道路参考线的相对偏移量。该过程中，由于根据单变量函数，对相对偏移量进行了拟合，相对于根据传统的双变量函数，简化了拟合算法，提高了车道线识别效率。
本实施例中，考虑到因为相对横向偏移量与相对高程偏移量无相关性，所以才可以分别对相对横向偏移量和相对高程偏移量进行拟合，进而将现有技术中的三维拟合问题转化为一维拟合。
S409：采用卡尔曼滤波和/或跃迁点过滤，对车道线相对于道路参考线的相对偏移量进行平滑去噪。
卡尔曼滤波的核心思想是根据当前的测量值以及上一刻的预测量与误差，计算得到当前的最优量，再预测下一刻的测量值。其当前状态方程如下：
xk＝Axk-1+Buk-1+wk-1
其中，wk-1服从高斯分布，是预测过程的噪声，uk-1为状态预测向量，xk-1为上一个位置的取值。
其观测方程如下：
zk＝Hxk+vk，其中，vk服从高斯分布，是观测的噪声。
跃迁点过滤可以通过如下方式执行：获取相邻的三个点A、B、C，计算两向量的夹角为α，当α预设阈值D时，则B为跃迁点，将B剔除。其中，预设阈值D可以是但不限于20。
S410：根据车道线相对于道路参考线的相对偏移量、道路参考线、北东地坐标系，获取车道线基于大地坐标系的车道线的形状。
可选的，通过对车道线相对于道路参考线的相对偏移量进行坐标系转化，得到基于大地坐标系的第三坐标数据。具体转化过程与S105相同，此处不再赘述。
本实施例，通过从众包数据中获取车道线的数据，对该数据聚合后，依次采用标准差阈值和滑动窗口阈值去噪，将去噪后的数据转化为相对于道路参考线的相对偏移量，对该相对偏移量拟合，再采用卡尔曼滤波和/或跃迁点过滤对拟合结果进行平滑去噪。这样，由于对数据进行了聚合，减小了数据处理量，且对相对偏移量拟合前后均进行了去噪处理，将噪声数据去除，进一步提高了车道线形状识别效率，同时，也提高了车道线形状的识别精度。
图6为本发明实施例提供的一种确定众包数据中车道线形状的装置的结构示意图。请参见图6，该确定众包数据中车道线形状的装置10可以包括预处理模块11、转化模块12、第一获取模块13、拟合模块14和第二获取模块15，其中，
所述预处理模块11，用于对同一车道线对应的至少两组第一坐标数据进行分段聚合预处理，得到车道线对应的一组第一坐标数据，其中，第一坐标数据为基于大地坐标系的数据；
所述转化模块12，用于将车道线对应的一组第一坐标数据转化为基于北东地坐标系的第二坐标数据，其中，北东地坐标系以车道线对应的道路参考线的起点为原点；
所述第一获取模块13，用于根据车道线的第二坐标数据获取车道线的第二坐标数据相对于道路参考线的相对偏移量；
所述拟合模块14，用于对第二坐标数据相对于道路参考线的相对偏移量进行拟合处理，得到车道线相对于道路参考线的相对偏移量；
所述第二获取模块15，用于根据车道线相对于道路参考线的相对偏移量、道路参考线、北东地坐标系，获取车道线基于大地坐标系的车道线的形状。
本发明实施例提供的确定众包数据中车道线形状的装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
在一种可能的实施方式中，所述预处理模块11，具体用于：
从众包数据中，获取同一条车道线对应的至少两组第一坐标数据；
基于道路参考线的分段对至少两组第一坐标数据进行分段处理，获取每个分段对应的车道线的至少两组第一坐标数据；
对每个分段对应的车道线的至少两组第一坐标数据进行聚合处理，得到每个分段对应的车道线的一组第一坐标数据。
图7为本发明实施例提供的另一种确定众包数据中车道线形状的装置的结构示意图。在图6所示实施例的基础上，请参见图7，所述确定众包数据中车道线形状的装置10还包括补全模块16；
所述补全模块16，用于在对每个分段对应的车道线的至少两组第一坐标数据进行聚合处理，得到每个分段对应的车道线的一组第一坐标数据之前，根据插值点的横坐标和纵坐标对每个分段对应的车道线至少两组第一坐标数据进行补全处理。
在一种可能的实施方式中，所述第一获取模块13具体用于：
根据车道线的第二坐标数据在道路参考线上的投影，确定每个第二坐标数据相对于道路参考线的相对偏移量，其中，投影点的纵向坐标作为相对纵向偏移量，投影点与第二坐标数据的横向差值、高程差值作为相对横向偏移量、相对高程偏移量。
在一种可能的实施方式中，所述装置还包括去噪模块17；
所述去噪模块17，用于在对第二坐标数据相对于道路参考线的相对偏移量进行拟合处理，得到车道线相对于道路参考线的相对偏移量之前，对每个分段对应的相对偏移量分别进行标准差阈值去噪处理；和/或对所有分段对应的相对偏移量进行滑动窗口阈值去噪处理。
在一种可能的实施方式中，第二坐标数据相对于道路参考线的相对偏移量包括相对横向偏移量和相对高程偏移量，且相对横向偏移量和相对高程偏移量无相关性；所述拟合模块14，具体用于采用二阶多项式，分别对第二坐标数据相对于道路参考线的相对横向偏移量和相对高程偏移量进行拟合处理。
在一种可能的实施方式中，所述第二获取模块15，具体用于：
根据所述车道线相对于所述道路参考线的相对偏移量和所述道路参考线，将所述车道线相对于所述道路参考线的相对偏移量转化为基于所述北东地坐标系的第四坐标数据；
将所述基于所述北东地坐标系的第四坐标数据转化为基于大地坐标系的第三坐标数据；
根据所述第三坐标数据得到车道线的形状。
本发明实施例提供的确定众包数据中车道线形状的装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
本发明实施例还提供了确定众包数据中车道线形状的装置的硬件结构示意图，请参见图8。该确定众包数据中车道线形状的装置20包括：至少一个处理器21和存储器22。其中，处理器21和存储器22通过总线23连接。
在具体实现过程中，至少一个处理器21执行所述存储器22存储的计算机执行指令，使得至少一个处理器21执行如上的确定众包数据中车道线形状的方法。
处理器21的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
图8示出的确定众包数据中车道线形状的装置仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上述任意方法实施例所述的确定众包数据中车道线形状的方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例方案的范围。
Claims (10)
1.一种确定众包数据中车道线形状的方法，其特征在于，包括：
对同一车道线对应的至少两组第一坐标数据进行分段聚合预处理，得到所述车道线对应的一组第一坐标数据，其中，所述第一坐标数据为基于大地坐标系的坐标数据；
将所述车道线对应的一组第一坐标数据转化为基于北东地坐标系的第二坐标数据，其中，所述北东地坐标系以所述车道线对应的高精度地图中本身存在的道路参考线的起点为原点；
根据所述车道线的第二坐标数据获取所述第二坐标数据相对于所述道路参考线的相对偏移量；
对所述第二坐标数据相对于所述道路参考线的相对偏移量进行拟合处理，得到所述车道线相对于所述道路参考线的相对偏移量；
根据所述车道线相对于所述道路参考线的相对偏移量、所述道路参考线、所述北东地坐标系，获取所述车道线基于所述大地坐标系的车道线的形状。
2.根据权利要求1所述的方法，其特征在于，所述对同一车道线对应的至少两组第一坐标数据进行分段聚合预处理，得到所述车道线对应的一组第一坐标数据，包括：
从众包数据中，获取同一条车道线对应的至少两组第一坐标数据；
基于道路参考线的分段对所述至少两组第一坐标数据进行分段处理，获取每个分段对应的车道线的至少两组第一坐标数据；
对所述每个分段对应的车道线的至少两组第一坐标数据进行聚合处理，得到每个分段对应的车道线的一组第一坐标数据。
3.根据权利要求2所述的方法，其特征在于，所述对所述每个分段对应的车道线的至少两组第一坐标数据进行聚合处理，得到每个分段对应的车道线的一组第一坐标数据之前，还包括：
根据插值点的横坐标和纵坐标对每个分段对应的车道线至少两组第一坐标数据进行补全处理。
4.根据权利要求1-3任一项所述的方法，其特征在于，根据所述车道线的第二坐标数据获取所述第二坐标数据相对于道路参考线的相对偏移量，包括：
根据所述车道线的第二坐标数据在所述道路参考线上的投影，确定每个所述第二坐标数据相对于道路参考线的相对偏移量，其中，投影点的纵向坐标作为相对纵向偏移量，投影点与第二坐标数据的横向差值、高程差值作为相对横向偏移量、相对高程偏移量。
5.根据权利要求1-3任一项所述的方法，其特征在于，对所述第二坐标数据相对于所述道路参考线的相对偏移量进行拟合处理，得到所述车道线相对于所述道路参考线的相对偏移量之前，还包括：
对每个分段对应的相对偏移量分别进行标准差阈值去噪处理；和/或
对所有分段对应的相对偏移量进行滑动窗口阈值去噪处理。
6.根据权利要求1-3任一项所述的方法，其特征在于，所述第二坐标数据相对于所述道路参考线的相对偏移量包括相对横向偏移量和相对高程偏移量，且所述相对横向偏移量和所述相对高程偏移量无相关性；
所述对所述第二坐标数据相对于所述道路参考线的相对偏移量进行拟合处理，包括：
采用二阶多项式，分别对所述第二坐标数据相对于所述道路参考线的相对横向偏移量和相对高程偏移量进行拟合处理。
7.根据权利要求1-3任一项所述的方法，其特征在于，根据所述车道线相对于所述道路参考线的相对偏移量、所述道路参考线、所述北东地坐标系，获取所述车道线基于所述大地坐标系的车道线的形状，包括：
根据所述车道线相对于所述道路参考线的相对偏移量和所述道路参考线，将所述车道线相对于所述道路参考线的相对偏移量转化为基于所述北东地坐标系的第四坐标数据；
将所述基于所述北东地坐标系的第四坐标数据转化为基于大地坐标系的第三坐标数据；
根据所述第三坐标数据得到车道线的形状。
8.一种确定众包数据中车道线形状的装置，其特征在于，包括：
预处理模块，用于对同一车道线对应的至少两组第一坐标数据进行分段聚合预处理，得到所述车道线对应的一组第一坐标数据，其中，所述第一坐标数据为基于大地坐标系的数据；
转化模块，用于将所述车道线对应的一组第一坐标数据转化为基于北东地坐标系的第二坐标数据，其中，所述北东地坐标系以所述车道线对应的高精度地图中本身存在的道路参考线的起点为原点；
第一获取模块，用于根据所述车道线的第二坐标数据获取所述第二坐标数据相对于所述道路参考线的相对偏移量；
拟合模块，用于对所述第二坐标数据相对于所述道路参考线的相对偏移量进行拟合处理，得到所述车道线相对于所述道路参考线的相对偏移量；
第二获取模块，用于根据所述车道线相对于所述道路参考线的相对偏移量、所述道路参考线、所述北东地坐标系，获取所述车道线基于所述大地坐标系的车道线的形状。
9.一种确定众包数据中车道线形状的装置，其特征在于，包括：至少一个处理器和存储器；
所述存储器用于存储计算机执行指令；
所述至少一个处理器用于执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1-7任一项所述的确定众包数据中车道线形状的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1-7任一项所述的确定众包数据中车道线形状的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010467193.7A CN111611958B (zh) | 2020-05-28 | 2020-05-28 | 确定众包数据中车道线形状的方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010467193.7A CN111611958B (zh) | 2020-05-28 | 2020-05-28 | 确定众包数据中车道线形状的方法、装置和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111611958A CN111611958A (zh) | 2020-09-01 |
| CN111611958B true CN111611958B (zh) | 2023-08-22 |
Family
ID=72204563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010467193.7A Active CN111611958B (zh) | 2020-05-28 | 2020-05-28 | 确定众包数据中车道线形状的方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111611958B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183214B (zh) * | 2020-09-02 | 2024-09-24 | 上海眼控科技股份有限公司 | 车辆弯道行驶状态判别方法、装置、计算机设备和介质 |
| CN112050821B (zh) * | 2020-09-11 | 2021-08-20 | 湖北亿咖通科技有限公司 | 一种车道线聚合方法 |
| 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 |
| CN112418192B (zh) * | 2021-01-21 | 2021-06-04 | 武汉中海庭数据技术有限公司 | 一种众包数据的多道路片段间的多线直接连接方法及装置 |
| CN112734927B (zh) * | 2021-03-31 | 2021-06-25 | 湖北亿咖通科技有限公司 | 高精地图车道线的简化方法、简化装置及计算机存储介质 |
| CN114359870A (zh) * | 2021-12-27 | 2022-04-15 | 广州小鹏自动驾驶科技有限公司 | 一种数据处理的方法和装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108241712A (zh) * | 2016-12-27 | 2018-07-03 | 北京四维图新科技股份有限公司 | 一种地图数据处理方法和装置 |
| CN110147382A (zh) * | 2019-05-28 | 2019-08-20 | 北京百度网讯科技有限公司 | 车道线更新方法、装置、设备、系统及可读存储介质 |
| CN110287904A (zh) * | 2019-06-27 | 2019-09-27 | 武汉中海庭数据技术有限公司 | 一种基于众包数据的车道线提取方法、装置及存储介质 |
| CN110345952A (zh) * | 2019-07-09 | 2019-10-18 | 同济人工智能研究院(苏州)有限公司 | 一种序列化车道线地图构建方法及构建系统 |
| WO2020008221A1 (ja) * | 2018-07-04 | 2020-01-09 | 日産自動車株式会社 | 走行支援方法及び走行支援装置 |
| CN110796066A (zh) * | 2019-10-26 | 2020-02-14 | 武汉中海庭数据技术有限公司 | 一种车道线组构建方法及装置 |
| CN110909711A (zh) * | 2019-12-03 | 2020-03-24 | 北京百度网讯科技有限公司 | 检测车道线位置变化的方法、装置、电子设备和存储介质 |
| CN111141296A (zh) * | 2019-12-24 | 2020-05-12 | 武汉中海庭数据技术有限公司 | 车道线众包数据的多道路片段数据的预处理方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102012204441A1 (de) * | 2011-03-21 | 2012-09-27 | Denso Corporation | Verfahren und Vorrichtung zur Erkennung eines Verlaufs einer Straße für Fahrzeuge |
| CN111542860B (zh) * | 2016-12-30 | 2024-08-27 | 辉达公司 | 用于自主车辆的高清地图的标志和车道创建 |
-
2020
- 2020-05-28 CN CN202010467193.7A patent/CN111611958B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108241712A (zh) * | 2016-12-27 | 2018-07-03 | 北京四维图新科技股份有限公司 | 一种地图数据处理方法和装置 |
| WO2020008221A1 (ja) * | 2018-07-04 | 2020-01-09 | 日産自動車株式会社 | 走行支援方法及び走行支援装置 |
| CN110147382A (zh) * | 2019-05-28 | 2019-08-20 | 北京百度网讯科技有限公司 | 车道线更新方法、装置、设备、系统及可读存储介质 |
| CN110287904A (zh) * | 2019-06-27 | 2019-09-27 | 武汉中海庭数据技术有限公司 | 一种基于众包数据的车道线提取方法、装置及存储介质 |
| CN110345952A (zh) * | 2019-07-09 | 2019-10-18 | 同济人工智能研究院(苏州)有限公司 | 一种序列化车道线地图构建方法及构建系统 |
| CN110796066A (zh) * | 2019-10-26 | 2020-02-14 | 武汉中海庭数据技术有限公司 | 一种车道线组构建方法及装置 |
| CN110909711A (zh) * | 2019-12-03 | 2020-03-24 | 北京百度网讯科技有限公司 | 检测车道线位置变化的方法、装置、电子设备和存储介质 |
| CN111141296A (zh) * | 2019-12-24 | 2020-05-12 | 武汉中海庭数据技术有限公司 | 车道线众包数据的多道路片段数据的预处理方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 付黎明 ; 李必军 ; 叶雨同 ; .基于多尺度重采样的车道线检测.电子技术应用.2017,(第04期),第7-12页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111611958A (zh) | 2020-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111611958B (zh) | 确定众包数据中车道线形状的方法、装置和设备 | |
| CN108759833B (zh) | 一种基于先验地图的智能车辆定位方法 | |
| US10627241B2 (en) | Map-centric map matching method and apparatus | |
| CN108519094B (zh) | 局部路径规划方法及云处理端 | |
| CN112965063B (zh) | 一种机器人建图定位方法 | |
| KR20210111182A (ko) | 위치결정을 위한 방법, 컴퓨팅 기기, 컴퓨터 판독가능 저장 매체 및 컴퓨터 프로그램 | |
| CN106023210A (zh) | 无人车、无人车定位方法、装置和系统 | |
| WO2021254019A1 (zh) | 协同构建点云地图的方法、设备和系统 | |
| CN106054170A (zh) | 一种约束条件下的机动目标跟踪方法 | |
| CN114018274A (zh) | 车辆定位方法、装置及电子设备 | |
| CN111707275B (zh) | 一种定位方法、装置、电子设备及计算机可读存储介质 | |
| CN108021886B (zh) | 一种无人机重复纹理影像局部显著特征点匹配方法 | |
| CN115063465B (zh) | 一种基于激光雷达的无人车行驶路况建模方法 | |
| CN113658203A (zh) | 建筑物三维轮廓提取及神经网络的训练方法和装置 | |
| CN113538699A (zh) | 基于三维点云的定位方法、装置、设备及存储介质 | |
| CN110927765B (zh) | 激光雷达与卫星导航融合的目标在线定位方法 | |
| CN113379915B (zh) | 一种基于点云融合的行车场景构建方法 | |
| CN113936109A (zh) | 高精地图点云数据的处理方法、装置、设备以及存储介质 | |
| CN117570968A (zh) | 基于视觉路标的地图构建与维护方法、装置及存储介质 | |
| CN113240750A (zh) | 三维空间信息测算方法及装置 | |
| JP6163868B2 (ja) | 画像処理方法、画像処理装置および画像処理プログラム | |
| CN115422316B (zh) | 车道线数据处理方法、装置、电子设备及存储介质 | |
| CN111858785A (zh) | 地图离散型要素的匹配方法、装置、系统及存储介质 | |
| CN116246030A (zh) | 基于非新增道路场景的高精地图单要素更新方法及装置 | |
| CN112880675B (zh) | 用于视觉定位的位姿平滑方法、装置、终端和移动机器人 |
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 |