CN111784837A - 高精地图生成方法和装置 - Google Patents
高精地图生成方法和装置 Download PDFInfo
- Publication number
- CN111784837A CN111784837A CN202010598621.XA CN202010598621A CN111784837A CN 111784837 A CN111784837 A CN 111784837A CN 202010598621 A CN202010598621 A CN 202010598621A CN 111784837 A CN111784837 A CN 111784837A
- Authority
- CN
- China
- Prior art keywords
- indication information
- traffic indication
- point cloud
- cloud data
- category
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012545 processing Methods 0.000 claims description 69
- 230000015654 memory Effects 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 241000283070 Equus zebra Species 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 8
- 229910052782 aluminium Inorganic materials 0.000 claims description 8
- 238000010276 construction Methods 0.000 description 32
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 13
- 230000011218 segmentation Effects 0.000 description 12
- 230000008901 benefit Effects 0.000 description 10
- 230000008447 perception Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了高精地图生成方法和装置,涉及智能交通领域。具体实现方案为:分别获取点云数据和图像数据。识别点云数据中的第一交通指示信息以及第一交通指示信息的位置,第一交通指示信息的类别属于高精地图要素的粗粒度类别。识别图像数据中的第二交通指示信息,第二交通指示信息的类别属于高精地图要素的细粒度类别。根据第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,生成高精地图。
Description
技术领域
本申请涉及图像处理技术领域中的智能交通技术,尤其涉及一种高精地图生成方法和装置。
背景技术
高精地图在无人驾驶系统中起着举足轻重的作用,例如,物体感知、自主定位、路径规划等都需要依赖高精地图。目前,高精地图的构建流程依赖于对激光数据的人工采集和标注,存在以下诸多问题:
1、激光数据仅单纯的包含强度(intensity)信息,基于语音分割技术能够识别出断点位置,但无法提取静态场景下的语义信息(如车道线的属性,比如:白实线、白虚线、黄实线和黄虚线),需要人工标注,耗时耗力。2、激光数据的质量受车道线的涂料质量的影响比较大,容易引起高精地图中的元素的强度信息模糊或缺失,导致无法识别出高精地图中的元素。3、激光数据在传感器发生硬件老化时容易引起灰度级上的变化,导致无法识别出高精地图中的元素。
因此,如何构建高精地图是现亟需解决的技术问题。
发明内容
本申请提供了一种高精地图生成方法、装置、设备以及存储介质,可构建出高精地图中的全要素和全场景,有利于高精地图的自动化生产,同时还有益于高精地图的自动化更新、视觉定位或者在线标定等。
第一方面,本申请提供一种高精地图生成方法,包括:分别获取点云数据和图像数据;识别点云数据中的第一交通指示信息以及第一交通指示信息的位置,第一交通指示信息的类别属于高精地图要素的粗粒度类别;识别图像数据中的第二交通指示信息,第二交通指示信息的类别属于高精地图要素的细粒度类别;根据第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,生成高精地图。
可选地,根据第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,生成高精地图,包括:分别确定图像数据和点云数据之间的相对位姿关系和相对时间关系,相对位姿关系用于将图像数据和点云数据进行位姿对齐,相对时间关系用于将图像数据中的2D点和点云数据中的3D点进行时间对齐;
根据相对位姿关系和相对时间关系,构建点云数据中的3D点和图像数据中的2D点之间的投影关系;基于投影关系,根据第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,生成高精地图。
可选地,分别确定图像数据和点云数据之间的相对位姿关系和相对时间关系之前,方法还包括:对图像数据进行去畸变处理,得到处理后的图像数据;分别确定图像数据和点云数据之间的相对位姿关系和相对时间关系,包括:分别确定处理后的图像数据和点云数据之间的相对位姿关系和相对时间关系。
可选地,根据第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,生成高精地图,包括:若包括多帧点云数据,则将第二交通指示信息投影到多帧点云数据中的每帧点云数据中,得到多帧点云数据中的每帧点云数据中的投影后的交通指示信息的类别以及投影后的交通指示信息的位置;对多帧点云数据中的每帧点云数据进行去重影处理,得到处理后的多帧点云数据;根据投影后的交通指示信息的类别以及投影后的交通指示信息的位置,对处理后的多帧点云数据进行语义融合,得到融合后的点云数据中的目标交通指示信息的类别以及目标交通指示信息的位置;根据目标交通指示信息的类别以及目标交通指示信息的位置,生成高精地图。
可选地,将第二交通指示信息投影到多帧点云数据中的每帧点云数据中,得到多帧点云数据中的每帧点云数据中的投影后的交通指示信息的类别以及投影后的交通指示信息的位置,包括:若任意一帧点云数据中的任意一个位置存在一类交通指示信息,则将交通指示信息的类别确定为位置对应的投影后的交通指示信息的类别;或者,若任意一帧点云数据中的任意一个位置至少存在两类交通指示信息,则分别确定每类交通指示信息的置信度,并将置信度最大的交通指示信息的类别确定为位置对应的投影后的交通指示信息的类别。
可选地,根据投影后的交通指示信息的类别以及投影后的交通指示信息的位置,对处理后的多帧点云数据进行语义融合,得到融合后的点云数据中的目标交通指示信息的类别以及目标交通指示信息的位置,包括:若任意两帧点云数据中相同的任意一个位置存在一类交通指示信息,则将交通指示信息的类别确定为位置对应的目标交通指示信息的类别;或者,若任意两帧点云数据中相同的任意一个位置至少存在两类交通指示信息,则分别确定每类交通指示信息的置信度,并将置信度最大的交通指示信息的类别确定为位置对应的目标交通指示信息的类别;或者,若任意两帧点云数据中相同的任意一个位置至少存在两类交通指示信息,则分别确定每类交通指示信息的类别,并将相同类别数量最多的交通指示信息的类别确定为位置对应的目标交通指示信息的类别。
可选地,根据第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,生成高精地图,包括:若包括多帧点云数据,则对多帧点云数据中的每帧点云数据进行去重影处理,得到处理后的多帧点云数据;对处理后的多帧点云数据进行拼接融合,得到融合后的点云数据;将第二交通指示信息的语义投影到融合后的点云数据中,得到融合后的点云数据中的目标交通指示信息的类别以及目标交通指示信息的位置;根据融合后的点云数据中的目标交通指示信息的类别以及目标交通指示信息的位置,生成高精地图。
可选地,将第二交通指示信息的语义投影到融合后的点云数据中,得到融合后的点云数据中的目标交通指示信息的类别以及目标交通指示信息的位置,包括:若任意一帧点云数据中的任意一个位置存在一类交通指示信息,则将交通指示信息的类别确定为位置对应的目标交通指示信息的类别;或者,若任意一帧点云数据中的任意一个位置至少存在两类交通指示信息,则分别确定每类交通指示信息的置信度,并将置信度最大的交通指示信息的类别确定为位置对应的目标交通指示信息的类别;或者,若任意一帧点云数据中的任意一个位置至少存在两类交通指示信息,则分别确定每类交通指示信息的类别,并将相同类别数量最多的交通指示信息的类别确定为位置对应的目标交通指示信息的类别。
可选地,第一交通指示信息包括车道线、信号灯或交通标牌中的至少一种;第二交通指示信息包括虚线、实线、斑马线、停止线、减速标志、转向箭头、绿灯、红灯、黄灯、闪光警告灯、方向指示信号灯、车道信号灯、人行横道信号灯、旅游标志牌、道路指向牌、禁止牌指示标志牌、警告标志牌、交通标志牌、铸铝标志牌、反光标志牌或服务区指令牌中的至少一种。
第二方面,本申请提供一种高精地图生成装置,包括:获取模块,用于分别获取点云数据和图像数据;识别模块,用于识别点云数据中的第一交通指示信息以及第一交通指示信息的位置,第一交通指示信息的类别属于高精地图要素的粗粒度类别;识别模块,还用于识别图像数据中的第二交通指示信息,第二交通指示信息的类别属于高精地图要素的细粒度类别;处理模块,用于根据第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,生成高精地图。
可选地,处理模块,用于分别确定图像数据和点云数据之间的相对位姿关系和相对时间关系,相对位姿关系用于将图像数据和点云数据进行位姿对齐,相对时间关系用于将图像数据中的2D点和点云数据中的3D点进行时间对齐;根据相对位姿关系和相对时间关系,构建点云数据中的3D点和图像数据中的2D点之间的投影关系;基于投影关系,根据第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,生成高精地图。
可选地,处理模块,还用于在处理模块分别确定图像数据和点云数据之间的相对位姿关系和相对时间关系之前,对图像数据进行去畸变处理,得到处理后的图像数据;
处理模块,具体用于分别确定处理后的图像数据和点云数据之间的相对位姿关系和相对时间关系。
可选地,处理模块,具体用于若包括多帧点云数据,则将第二交通指示信息投影到多帧点云数据中的每帧点云数据中,得到多帧点云数据中的每帧点云数据中的投影后的交通指示信息的类别以及投影后的交通指示信息的位置;对多帧点云数据中的每帧点云数据进行去重影处理,得到处理后的多帧点云数据;根据投影后的交通指示信息的类别以及投影后的交通指示信息的位置,对处理后的多帧点云数据进行语义融合,得到融合后的点云数据中的目标交通指示信息的类别以及目标交通指示信息的位置;根据目标交通指示信息的类别以及目标交通指示信息的位置,生成高精地图。
可选地,处理模块,用于若任意一帧点云数据中的任意一个位置存在一类交通指示信息,则将交通指示信息的类别确定为位置对应的投影后的交通指示信息的类别;或者,若任意一帧点云数据中的任意一个位置至少存在两类交通指示信息,则分别确定每类交通指示信息的置信度,并将置信度最大的交通指示信息的类别确定为位置对应的投影后的交通指示信息的类别。
可选地,处理模块,用于在任意两帧点云数据中相同的任意一个位置存在一类交通指示信息时,将交通指示信息的类别确定为位置对应的目标交通指示信息的类别;或者,
处理模块,用于在任意两帧点云数据中相同的任意一个位置至少存在两类交通指示信息时,分别确定每类交通指示信息的置信度,并将置信度最大的交通指示信息的类别确定为位置对应的目标交通指示信息的类别;或者,
处理模块,用于在任意两帧点云数据中相同的任意一个位置至少存在两类交通指示信息,则分别确定每类交通指示信息的类别,并将相同类别数量最多的交通指示信息的类别确定为位置对应的目标交通指示信息的类别。
可选地,处理模块,还具体用于在包括多帧点云数据时,对多帧点云数据中的每帧点云数据进行去重影处理,得到处理后的多帧点云数据;对处理后的多帧点云数据进行拼接融合,得到融合后的点云数据;将第二交通指示信息的语义投影到融合后的点云数据中,得到融合后的点云数据中的目标交通指示信息的类别以及目标交通指示信息的位置;根据融合后的点云数据中的目标交通指示信息的类别以及目标交通指示信息的位置,生成高精地图。
可选地,处理模块,用于在任意一帧点云数据中的任意一个位置存在一类交通指示信息时,将交通指示信息的类别确定为位置对应的目标交通指示信息的类别;或者,
处理模块,用于在任意一帧点云数据中的任意一个位置至少存在两类交通指示信息时,分别确定每类交通指示信息的置信度,并将置信度最大的交通指示信息的类别确定为位置对应的目标交通指示信息的类别;或者,处理模块,用于在任意一帧点云数据中的任意一个位置至少存在两类交通指示信息时,分别确定每类交通指示信息的类别,并将相同类别数量最多的交通指示信息的类别确定为位置对应的目标交通指示信息的类别。
可选地,第一交通指示信息包括车道线、信号灯或交通标牌中的至少一种。第二交通指示信息包括虚线、实线、斑马线、停止线、减速标志、转向箭头、绿灯、红灯、黄灯、闪光警告灯、方向指示信号灯、车道信号灯、人行横道信号灯、旅游标志牌、道路指向牌、禁止牌指示标志牌、警告标志牌、交通标志牌、铸铝标志牌、反光标志牌或服务区指令牌中的至少一种。
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;以及与至少一个处理器通信连接的输入装置;以及与至少一个处理器通信连接的输出装置;其中,存储器存储有可被至少一个处理器执行的指令,输入装置输入处理器执行指令的所需数据,输出装置输出处理器执行指令后的执行结果,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上述第一方面以及上述第一方面的各可能的设计中所提供的高精地图生成方法。
第四方面,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上述第一方面以及上述第一方面的各可能的设计中所提供的高精地图生成方法。
上述申请中的一个实施例具有如下优点或有益效果:实现了高精地图的自动生产,有利于提升高精地图的生产的自动化程度,还支持高精地图的自动化更新、视觉定位或者在线标定等各个应用场景,同时方便用户使用该高精地图做出准确的自主定位和路径决策,有助于提高用户的使用感。因为通过分别获取点云数据和图像数据。识别点云数据中的第一交通指示信息以及第一交通指示信息的位置,第一交通指示信息的类别属于高精地图要素的粗粒度类别。识别图像数据中的第二交通指示信息,第二交通指示信息的类别属于高精地图要素的细粒度类别,所以基于点云数据在几何感知的优势以及图像数据在纹理感知的优势,根据第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,可以确定出高精地图中的全部要素以及各个要素的位置,从而生成高精地图。
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是根据本申请第一实施例的示意图;
图2是可以实现本申请实施例中高精地图的示意图;
图3是根据本申请第二实施例的示意图;
图4是可以实现本申请实施例的模块化的流程图;
图5是根据本申请第二实施例的示意图;
图6是根据本申请第三实施例的示意图;
图7是根据本申请第四实施例的示意图;
图8是根据本申请实施例的高精地图装置的结构示意图;
图9是根据本申请实施例的高精地图方法的电子设备的框图。
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。
本申请提供一种高精地图生成方法、装置、设备、芯片以及计算机存储介质,可结合点云数据在几何感知的优势以及图像数据在纹理感知的优势,实现高精地图中全要素全场景的识别,有利于提升高精地图生产的自动化程度,同时还支持高精地图的自动化更新、视觉定位或者在线标定等各个应用场景。
本申请的高精地图生成方法的执行主体为高精地图构建系统,其中,高精地图构建系统可以与车载相机、三维激光雷达(即三维激光传感器)、全局位姿测量系统、工控机及千兆网交换机等数据传输设备进行数据传输。
其中,车载相机安装在无人车的车顶正上方,便于感知无人车的周围环境。三维激光传感器通常安装在无人车的车顶正上方,便于感知无人车的周围环境。全局位姿测量系统采用全球定位系统(global positioning system,GPS)/惯性定位导航系统(INS),可以由惯性测量单元(简称IMU)、GPS接收机、GPS天线及用于差分的数据传输单元组成,通常用于采集全局位姿数据。其中,惯性测量单元和GPS天线安装在无人车的后轴中心的竖直线上,与车体坐标系的坐标原点在XY坐标下保持一致。工控机安装在无人车的内部,用于数据处理计算和软件、程序的运行。工控机和千兆网交换机安装在无人车的内部任意一个位置。
需要说明的是,高精地图构建系统中的各个设备除了采用上述位置的安装放置之外,各个设置也可以结合实际情况进行其他位置的安装,本申请对此不做限定。
下面,以高精地图构建系统为执行主体,通过具体实施例,对本申请的高精地图生成方法的具体实现过程进行详细说明。
图1是根据本申请一实施例的结构示意图,如图1所示,本申请的高精地图生成方法可以包括:
S101、分别获取点云数据和图像数据。
本申请中,高精地图构建系统可以通过三维激光传感器来采集获得点云数据,高精地图构建系统可以通过车载相机来采集获得图像数据。其中,本申请对点云数据和图像数据的具体表示方式不做限定,只需满足点云数据和图像数据均用于表示相同的周围环境即可。
S102、识别点云数据中的第一交通指示信息以及第一交通指示信息的位置,第一交通指示信息的类别属于高精地图要素的粗粒度类别。
本申请中,高精地图构建系统通过语义分割技术可以从点云数据中识别出第一交通指示信号和该第一交通指示信号的位置。其中,该第一交通指示信息的类别属于高精地图要素的粗粒度类别,该粗粒度类别可以事先通过对高精地图要素的类别进行粗略化的区分所确定。例如,该第一交通指示信息可以包括但不限于为车道线、信号灯或交通标牌中的至少一种。该第一交通指示信号的位置可以表示该第一交通指示信号的经纬度信息,也可以表示在三维激光传感器所在坐标下的经纬度信息,本申请对此不做限定。另外,该位置除了经纬度信息之外,还可以采用其他表示方式,本申请对此也不做限定。
其中,高精地图构建系统可以采用多种实现方式,对高精地图构建系统识别点云数据中的第一交通指示信号和该第一交通指示信号的位置。下面,采用两种可行的实现方式进行举例。
一种可行的实现方式中,当包括多帧点云数据时,高精地图构建系统可以对多帧点云数据进行拼接融合,得到融合后的点云数据。高精地图构建系统再通过语义分割技术,识别出融合后的点云数据中的第一交通指示信号和该第一交通指示信号的位置。
另一种可行的实现方式中,当包括多帧点云数据时,高精地图构建系统可以通过语义分割技术,识别出每帧点云数据中的第一交通指示信号和该第一交通指示信号的位置,再将每帧点云数据中的第一交通指示信号和该第一交通指示信号的位置进行汇集,得到多帧点云数据的第一交通指示信号和该第一交通指示信号的位置。
其中,前述的语义分割技术可以神经网络架构实现,本申请对语义分割技术的具体实现形式不做限定。
S103、识别图像数据中的第二交通指示信息,第二交通指示信息的类别属于高精地图要素的细粒度类别。
本申请中,高精地图构建系统通过语义分割技术、目标检测技术和目标跟踪技术等,可以从图像数据中识别出第二交通指示信号,该第二交通指示信息的类别属于高精地图要素的细粒度类别,该细粒度类别可以事先通过对高精地图要素的类别进行精细化的区分所确定。例如,该第二交通指示信息可以包括但不限于为虚线、实线、斑马线、停止线、减速标志、转向箭头、绿灯、红灯、黄灯、闪光警告灯、方向指示信号灯、车道信号灯、人行横道信号灯、旅游标志牌、道路指向牌、禁止牌指示标志牌、警告标志牌、交通标志牌、铸铝标志牌、反光标志牌或服务区指令牌中的至少一种。
其中,高精地图构建系统可以通过语义分割技术,识别出图像数据中的所属车道线的细粒度类别的第二交通指示信号,如虚线、实线、斑马线、停止线、减速标志或者转向箭头等。另外,高精地图构建系统还可以通过语义分割技术,识别出图像数据中的第二交通指示信号的经纬度信息,方便后续的验证操作等。
其中,高精地图构建系统可以通过目标检测技术和目标跟踪技术,识别出图像数据中的所属信号灯的细粒度类别的第二交通指示信息,如绿灯、红灯、黄灯、闪光警告灯、方向指示信号灯、车道信号灯或者人行横道信号灯等,以及识别出图像数据中的所属交通标牌的细粒度类别的第二交通指示信息,如旅游标志牌、道路指向牌、禁止牌指示标志牌、警告标志牌、交通标志牌、铸铝标志牌或者反光标志牌或服务区指令牌等。
另外,高精地图构建系统还可以通过语义分割技术,识别出图像数据中的第二交通指示信号的图像坐标,方便后续的验证操作等。
S104、根据第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,生成高精地图。
本申请中,高精地图构建系统基于第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,可以确定出高精地图中全部的要素以及各个要素的位置,从而生成高精地图。
在一个具体的实施例中,以高精地图中的一条车道为例,采用本申请的高精地图生成方法生成高精地图中的一条车道的具体实现过程包括:
步骤1:通过无人车上的三维激光传感器获取点云数据,并通过无人车上的车载相机获取图像数据。
步骤2:识别点云数据中的第一交通指示信息和第一交通指示信息的位置。如图2所示,第一交通指示信息包括:车道线aa、信号灯B和交通标牌C,以及车道线aa的每个位置的经纬度信息(x1,y1,z1)、信号灯B的中心点的经纬度信息(x2,y2,z2)和交通标牌C的中心点的经纬度信息(x3,y3,z3)。
步骤3:识别图像数据中的第二交通指示信息。如图2所示,第二交通指示信息包括:车道线aa、车道线aa内的虚线、停止线和斑马线、包括绿灯、红灯和黄灯的信号灯B以及类别为注意转弯的交通标牌C。
步骤4、根据第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,可以生成高精地图,如图2所示。
本申请提供的高精地图生成方法,通过分别获取点云数据和图像数据。识别点云数据中的第一交通指示信息以及第一交通指示信息的位置,第一交通指示信息的类别属于高精地图要素的粗粒度类别。识别图像数据中的第二交通指示信息,第二交通指示信息的类别属于高精地图要素的细粒度类别。从而,基于点云数据在几何感知的优势以及图像数据在纹理感知的优势,根据第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,可以确定出高精地图中的全部要素以及各个要素的位置,从而生成高精地图,实现了高精地图的自动生产,有利于提升高精地图的生产的自动化程度,还支持高精地图的自动化更新、视觉定位或者在线标定等各个应用场景,同时方便用户使用该高精地图做出准确的自主定位和路径决策,有助于提高用户的使用感。
在图1和图2所示实施例的基础上,结合图3,对S104中根据第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,生成高精地图的具体实现过程进行详细说明。
图3是根据本申请一实施例的结构示意图,如图3所示,本申请的高精地图生成方法可以包括:
S201、分别确定图像数据和点云数据之间的相对位姿关系和相对时间关系,相对位姿关系用于将图像数据和点云数据进行位姿对齐,相对时间关系用于将图像数据中的2D点和点云数据中的3D点进行时间对齐。
本申请中,高精地图构建系统可以将图像数据和点云数据进行位姿对齐,从而确定出图像数据和点云数据之间的相对位姿关系。其中,高精地图构建系统可以通过三维激光传感器和车载相机之间的硬件位姿关系,标定出图像数据和点云数据之间的相对位姿关系。通常,本申请可以采用转换矩阵等方式进行表示。该位姿可以理解为位置和姿态。
高精地图构建系统可以将图像数据中的2D点和点云数据中的3D点进行时间对齐(或者时间戳对齐),从而确定出图像数据和点云数据之间的相对时间关系。
其中,每帧点云数据中的每个3D点的时间戳均相同。而车载相机的成像方式不同,每帧图像数据中的每个2D点的时间戳均相同或者不同。
当车载相机采用全局曝光的成像方式时,每帧图像数据中的2D点的时间戳均相同,因此,图像数据中的2D点和点云数据中的3D点之间的相对时间关系即为图像数据与点云数据之间的相对时间关系。
当车载相机采用卷帘曝光(rolling shutter)的成像方式时,每帧图像数据中的2D点的时间戳均不相同,因此,图像数据中的2D点和点云数据中的3D点之间的相对时间关系即为图像数据与点云数据之间的相对时间关系以及图像数据中的每个2D点与图像数据之间的时间戳补偿关系。
S202、根据相对位姿关系和相对时间关系,构建点云数据中的3D点和图像数据中的2D点之间的投影关系。
本申请中,高精地图构建系统可以根据相对位姿关系和相对时间关系,确定出图像数据中的任意一个2D点转换为点云数据中的3D点的投影位置,从而构建出点云数据中的3D点和图像数据中的2D点之间的投影关系。
S203、基于投影关系,根据第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,生成高精地图。
考虑到实际的高精地图通常为3D的,因此,高精地图构建系统基于投影关系,可以将第二交通指示信息精准地投影到点云数据中。其中,点云数据的坐标系可以为世界坐标系或者局部坐标系。由于高精地图的坐标系为世界坐标系,因此,高精地图构建系统可以利用IMU和卫星导航系统(global navigation satellite systerm,GNSS),获取每帧点云数据在世界坐标系下的初始位姿态,以将点云数据的局部坐标系转换为世界坐标系。对应地,高精地图构建系统也可以将图像数据的局部坐标系转换为世界坐标系。
从而,高精地图构建系统根据点云数据中的第一交通指示信息、第一交通指示信息的位置以及投影后的第二交通指示信息,可以生成高精地图。
在图3所示实施例的基础上,结合图4,对本申请的高清地图生成方法的具体实现过程进行模块化介绍。
如图4所示,点云数据经过语义分割可以得到第一交通指示信息和第一交通指示信息的位置。图像数据经过语义分割、目标检测和目标跟踪,可以得到第二交通指示信息。第二交通指示信息基于点云数据中的3D点和图像数据中的2D点之间的投影关系(图4中以3D点和2D点的投影关系进行示意)投影到点云数据,得到投影后的第二交通指示信息,再根据投影后的第二交通指示信息、第一交通指示信息和第一交通指示信息的位置,生成高精地图。其中,该高精地图不仅可以实现自动化更新、还可以实现自动化生产、视觉定位以及在线标定等。
本申请中,通过图像数据和点云数据之间的相对位姿关系和相对时间关系的全面考虑,可以准确得到点云数据中的3D点和图像数据中的2D点之间的投影关系,以便基于该投影关系,根据第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,可以生成高精地图。
随着设备的不断老化和周围环境的噪声影响,车载相机所采集的图像数据中难免会出现畸变现象。因此,为了避免图像数据的畸变现象,在图1-图4所示实施例的基础上,结合图5,对本申请的高精地图生成方法的具体实现过程进行详细说明。
图5是根据本申请一实施例的结构示意图,如图5所示,本申请的高精地图生成方法可以包括:
S300、对图像数据进行去畸变处理,得到处理后的图像数据。
本申请中,高精地图构建系统可以标定图像数据,来去除图像数据中的畸变数据,得到处理后的图像数据。其中,高精地图构建系统还可以存储图像数据的焦距或者畸变参数等,方便后续的核实操作等。
S301、分别确定处理后的图像数据和点云数据之间的相对位姿关系和相对时间关系,相对位姿关系用于将处理后的图像数据和点云数据进行位姿对齐,相对时间关系用于将处理后的图像数据中的2D点和点云数据中的3D点进行时间对齐。
S302、根据相对位姿关系和相对时间关系,构建点云数据中的3D点和处理后的图像数据中的2D点之间的投影关系。
S303、基于投影关系,根据第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,生成高精地图。
其中,S302、S303和S304分别与图3实施例中的S201、S202和S203实现方式类似,本实施例此处不再赘述。
本申请中,通过去除图像数据的硬件误差,基于图像数据和点云数据之间的相对位姿关系和相对时间关系的全面考虑,可以准确得到处理后的点云数据中的3D点和图像数据中的2D点之间的投影关系,以便基于该投影关系,根据第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,可以生成高精地图。
本申请中,高精地图构建系统可以采用多种方式,根据第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,生成高精地图。
下面,结合图6和图7,采用两种可行的实现方式,对生成高精地图的具体实现过程进行举例说明。
图6是根据本申请一实施例的结构示意图,如图6所示,本申请的高精地图生成方法可以包括:
S401、若包括多帧点云数据,则将第二交通指示信息投影到多帧点云数据中的每帧点云数据中,得到多帧点云数据中的每帧点云数据中的投影后的交通指示信息的类别以及投影后的交通指示信息的位置。
本申请中,当点云数据的表示形成为多帧点云数据时,高精地图构建系统可以将第二交通指示信息投影到多帧点云数据中的每帧点云数据中,得到多帧点云数据中的每帧点云数据中的投影后的交通指示信息的类别以及投影后的交通指示信息的位置。
其中,多帧点云数据中相同的位置可能存在第一交通指示信息,也可能存在第二交通指示信息,也可能存在第一交通指示信息和第二交通指示信息。因此,为了避免信息重复,高精地图构建系统可以在多帧点云数据中的每帧点云数据中,对每个位置的交通指示信息进行语义融合,得到多帧点云数据中的每帧点云数据中的投影后的交通指示信息的类别以及投影后的交通指示信息的位置。
当任意一帧点云数据中的任意一个位置存在一类交通指示信息时,高精地图构建系统可以将交通指示信息的类别确定为该位置对应的投影后的交通指示信息的类别。
当任意一帧点云数据中的任意一个位置至少存在两类交通指示信息时,高精地图构建系统可以分别确定每类交通指示信息的置信度,并将置信度最大的交通指示信息的类别确定为该位置对应的投影后的交通指示信息的类别。
其中,交通指示信息的置信度通常在确定交通指示信息时便可得到,且该置信度用于表示此位置为交通指示信息对应的要素类别的准确率,本申请对该置信度的表示方式和获取方式不做限定。
S402、对多帧点云数据中的每帧点云数据进行去重影处理,得到处理后的多帧点云数据。
随着设备的不断老化和周围环境的噪声影响,三维激光传感器采集的点云数据难免会出现重影误差。因此,本申请中,高精地图构建系统可以通过回环检测,对多帧点云数据中的每帧点云数据进行优化,来去除多帧点云数据中的每帧点云数据的重影误差,得到处理后的多帧点云数据。
S403、根据投影后的交通指示信息的类别以及投影后的交通指示信息的位置,对处理后的多帧点云数据进行语义融合,得到融合后的点云数据中的目标交通指示信息的类别以及目标交通指示信息的位置。
本申请中,高精地图构建系统可以对处理后的多帧点云数据进行拼接融合。由于多帧点云数据在拼接时可能存在相同的位置而导致同一个位置可能存在一个或者多个类别的交通指示信息,因此,高精地图构建系统可以在处理后的多帧点云数据中,根据投影后的交通指示信息的类别以及投影后的交通指示信息的位置,对每个位置的交通指示信息进行语义融合,得到融合后的点云数据中的目标交通指示信息的类别以及目标交通指示信息的位置。
当任意两帧点云数据中相同的任意一个位置存在一类交通指示信息时,高精地图构建系统可以将交通指示信息的类别确定为该位置对应的目标交通指示信息的类别。
当任意两帧点云数据中相同的任意一个位置至少存在两类交通指示信息时,高精地图构建系统可以分别确定每类交通指示信息的置信度,并将置信度最大的交通指示信息的类别确定为该位置对应的目标交通指示信息的类别。或者,高精地图构建系统可以分别确定每类交通指示信息的类别,并将相同类别数量最多的交通指示信息的类别确定为该位置对应的目标交通指示信息的类别。
S404、根据目标交通指示信息的类别以及目标交通指示信息的位置,生成高精地图。
本申请中,高精地图构建系统可以根据目标交通指示信息的类别以及目标交通指示信息的位置,确定出高精地图中的全部要素以及各个要素的位置,从而生成高精地图。
本申请中,通过先将第二交通指示信息投影到多帧点云数据中的每帧点云数据中,确定出多帧点云数据中的每帧点云数据中的投影后的交通指示信息和投影后的交通指示信息的位置,再在多帧点云数据的拼接融合中,对多帧点云数据中的每个位置进行语义融合,得到融合后的多种点云数据中的目标交通指示信息和目标交通指示信息的位置,从而生成高精地图,不仅明确了高精地图中的全部要素,还确定了高精地图中的各个要素的位置。
图7是根据本申请一实施例的结构示意图,如图7所示,本申请的高精地图生成方法可以包括:
S501、若包括多帧点云数据,则对多帧点云数据中的每帧点云数据进行去重影处理,得到处理后的多帧点云数据。
考虑到三维激光传感器的设备老化以及周围环境的噪声干扰对点云数据的影响,因此,本申请中,当点云数据的表示形成为多帧点云数据时,高精地图构建系统可以通过回环检测,对多帧点云数据中的每帧点云数据进行优化,来去除多帧点云数据中的每帧点云数据的重影误差,得到处理后的多帧点云数据。
S502、对处理后的多帧点云数据进行拼接融合,得到融合后的点云数据。
本申请中,高精地图构建系统可以对处理后的多帧点云数据中的每帧点云数据进行拼接融合,即基于相同位置和位置的连续性构造出完整的用于描述周围环境的点云数据,从而得到融合后的点云数据。
S503、将第二交通指示信息的语义投影到融合后的点云数据中,得到融合后的点云数据中的目标交通指示信息的类别以及目标交通指示信息的位置。
本申请中,高精地图构建系统可以将第二交通指示信息的语义投影到融合后的点云数据中,且由于多帧点云数据中相同的位置可能存在第一交通指示信息,也可能存在第二交通指示信息,也可能存在第一交通指示信息和第二交通指示信息。因此,为了避免信息重复,高精地图构建系统可以对每个位置的交通指示信息进行语义融合,从而,得到融合后的点云数据中的目标交通指示信息的类别以及目标交通指示信息的位置。
当任意一帧点云数据中的任意一个位置存在一类交通指示信息时,高精地图构建系统可以将交通指示信息的类别确定为该位置对应的目标交通指示信息的类别。
当任意一帧点云数据中的任意一个位置至少存在两类交通指示信息时,高精地图构建系统可以分别确定每类交通指示信息的置信度,并将置信度最大的交通指示信息的类别确定为位置对应的目标交通指示信息的类别。或者,高精地图构建系统可以分别确定每类交通指示信息的类别,并将相同类别数量最多的交通指示信息的类别确定为位置对应的目标交通指示信息的类别。
S504、根据融合后的点云数据中的目标交通指示信息的类别以及目标交通指示信息的位置,生成高精地图。
本申请中,高精地图构建系统可以根据融合后的点云数据中的目标交通指示信息的类别以及目标交通指示信息的位置,确定出高精地图中的全部要素以及各个要素的位置,从而生成高精地图。
本申请中,通过先将多帧点云数据进行拼接融合,得到融合后的点云数据,再将第二交通指示信息投影到融合后的点云数据中并进行语义融合,得到融合后的点云数据中的目标交通指示信息的类别以及目标交通指示信息的位置,从而生成高精地图,不仅明确了高精地图中的全部要素,还确定了高精地图中的各个要素的位置。
根据本申请的实施例,本申请还提供一种高精地图生成装置。
如图8所示,是根据本申请实施例的高精地图生成方法的装置的结构示意图。如图8所示,本申请的高精地图生成装置800可以包括:获取模块801、识别模块802和处理模块803。
获取模块801,用于分别获取点云数据和图像数据;
识别模块802,用于识别点云数据中的第一交通指示信息以及第一交通指示信息的位置;第一交通指示信息包括车道线、信号灯或交通标牌中的至少一种;
识别模块802,还用于识别图像数据中的第二交通指示信息;第二交通指示信息包括虚线、实线、斑马线、停止线、减速标志、转向箭头、绿灯、红灯、黄灯、闪光警告灯、方向指示信号灯、车道信号灯、人行横道信号灯、旅游标志牌、道路指向牌、禁止牌指示标志牌、警告标志牌、交通标志牌、铸铝标志牌、反光标志牌或服务区指令牌中的至少一种;
处理模块803,用于根据第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,生成高精地图。
可选地,处理模块803,用于分别确定图像数据和点云数据之间的相对位姿关系和相对时间关系,相对位姿关系用于将图像数据和点云数据进行位姿对齐,相对时间关系用于将图像数据中的2D点和点云数据中的3D点进行时间对齐;根据相对位姿关系和相对时间关系,构建点云数据中的3D点和图像数据中的2D点之间的投影关系;基于投影关系,根据第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,生成高精地图。
可选地,处理模块803,还用于在处理模块分别确定图像数据和点云数据之间的相对位姿关系和相对时间关系之前,对图像数据进行去畸变处理,得到处理后的图像数据;
处理模块803,具体用于分别确定处理后的图像数据和点云数据之间的相对位姿关系和相对时间关系。
可选地,处理模块803,具体用于若包括多帧点云数据,则将第二交通指示信息投影到多帧点云数据中的每帧点云数据中,得到多帧点云数据中的每帧点云数据中的投影后的交通指示信息的类别以及投影后的交通指示信息的位置;对多帧点云数据中的每帧点云数据进行去重影处理,得到处理后的多帧点云数据;根据投影后的交通指示信息的类别以及投影后的交通指示信息的位置,对处理后的多帧点云数据进行语义融合,得到融合后的点云数据中的目标交通指示信息的类别以及目标交通指示信息的位置;根据目标交通指示信息的类别以及目标交通指示信息的位置,生成高精地图。
可选地,处理模块803,用于若任意一帧点云数据中的任意一个位置存在一类交通指示信息,则将交通指示信息的类别确定为位置对应的投影后的交通指示信息的类别;或者,若任意一帧点云数据中的任意一个位置至少存在两类交通指示信息,则分别确定每类交通指示信息的置信度,并将置信度最大的交通指示信息的类别确定为位置对应的投影后的交通指示信息的类别。
可选地,处理模块803,用于在任意两帧点云数据中相同的任意一个位置存在一类交通指示信息时,将交通指示信息的类别确定为位置对应的目标交通指示信息的类别;或者,
处理模块803,用于在任意两帧点云数据中相同的任意一个位置至少存在两类交通指示信息时,分别确定每类交通指示信息的置信度,并将置信度最大的交通指示信息的类别确定为位置对应的目标交通指示信息的类别;或者,
处理模块803,用于在任意两帧点云数据中相同的任意一个位置至少存在两类交通指示信息,则分别确定每类交通指示信息的类别,并将相同类别数量最多的交通指示信息的类别确定为位置对应的目标交通指示信息的类别。
可选地,处理模块803,还具体用于在包括多帧点云数据时,对多帧点云数据中的每帧点云数据进行去重影处理,得到处理后的多帧点云数据;对处理后的多帧点云数据进行拼接融合,得到融合后的点云数据;将第二交通指示信息的语义投影到融合后的点云数据中,得到融合后的点云数据中的目标交通指示信息的类别以及目标交通指示信息的位置;根据融合后的点云数据中的目标交通指示信息的类别以及目标交通指示信息的位置,生成高精地图。
可选地,处理模块803,用于在任意一帧点云数据中的任意一个位置存在一类交通指示信息时,将交通指示信息的类别确定为位置对应的目标交通指示信息的类别;或者,
处理模块803,用于在任意一帧点云数据中的任意一个位置至少存在两类交通指示信息时,分别确定每类交通指示信息的置信度,并将置信度最大的交通指示信息的类别确定为位置对应的目标交通指示信息的类别;或者,
处理模块803,用于在任意一帧点云数据中的任意一个位置至少存在两类交通指示信息时,分别确定每类交通指示信息的类别,并将相同类别数量最多的交通指示信息的类别确定为位置对应的目标交通指示信息的类别。
可选地,第一交通指示信息包括车道线、信号灯或交通标牌中的至少一种;第二交通指示信息包括虚线、实线、斑马线、停止线、减速标志、转向箭头、绿灯、红灯、黄灯、闪光警告灯、方向指示信号灯、车道信号灯、人行横道信号灯、旅游标志牌、道路指向牌、禁止牌指示标志牌、警告标志牌、交通标志牌、铸铝标志牌、反光标志牌或服务区指令牌中的至少一种。
本申请的高精地图生成装置,可以用于执行图1-图7所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本申请中可以根据上述方法示例对高精地图生成装置进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请各实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
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9所示,是根据本申请实施例的高精地图生成方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。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9所示,该电子设备包括:一个或多个处理器901、存储器902,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9中以一个处理器901为例。
存储器902即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的高精地图生成方法。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高精地图生成方法。
存储器902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高精地图生成方法对应的程序指令/模块(例如,附图8所示的获取模块801、识别模块802、处理模块803和处理模块)。处理器901通过运行存储在存储器902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高精地图生成方法。
存储器902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高精地图生成方法的电子设备的使用所创建的数据等。此外,存储器902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902可选包括相对于处理器901远程设置的存储器,这些远程存储器可以通过网络连接至高精地图生成方法的电子设备。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。
高精地图生成方法的电子设备还可以包括:输入装置903和输出装置904。处理器901、存储器902、输入装置903和输出装置904可以通过总线或者其他方式连接,图9中以通过总线连接为例。
输入装置903可接收输入的数字或字符信息,以及产生与高精地图生成方法的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、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置904可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)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。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,通过分别获取点云数据和图像数据。识别点云数据中的第一交通指示信息以及第一交通指示信息的位置,第一交通指示信息的类别属于高精地图要素的粗粒度类别。识别图像数据中的第二交通指示信息,第二交通指示信息的类别属于高精地图要素的细粒度类别。从而,基于点云数据在几何感知的优势以及图像数据在纹理感知的优势,根据第一交通指示信息、第一交通指示信息的位置以及第二交通指示信息,可以确定出高精地图中的全部要素以及各个要素的位置,从而生成高精地图,实现了高精地图的自动生产,有利于提升高精地图的生产的自动化程度,还支持高精地图的自动化更新、视觉定位或者在线标定等各个应用场景,同时方便用户使用该高精地图做出准确的自主定位和路径决策,有助于提高用户的使用感。
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 (20)
1.一种高精地图生成方法,其特征在于,包括:
分别获取点云数据和图像数据;
识别所述点云数据中的第一交通指示信息以及所述第一交通指示信息的位置,所述第一交通指示信息的类别属于高精地图要素的粗粒度类别;
识别所述图像数据中的第二交通指示信息,所述第二交通指示信息的类别属于高精地图要素的细粒度类别;
根据所述第一交通指示信息、所述第一交通指示信息的位置以及所述第二交通指示信息,生成高精地图。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一交通指示信息、所述第一交通指示信息的位置以及所述第二交通指示信息,生成高精地图,包括:
分别确定图像数据和所述点云数据之间的相对位姿关系和相对时间关系,所述相对位姿关系用于将所述图像数据和所述点云数据进行位姿对齐,所述相对时间关系用于将所述图像数据中的2D点和所述点云数据中的3D点进行时间对齐;
根据所述相对位姿关系和所述相对时间关系,构建所述点云数据中的3D点和所述图像数据中的2D点之间的投影关系;
基于所述投影关系,根据所述第一交通指示信息、所述第一交通指示信息的位置以及所述第二交通指示信息,生成高精地图。
3.根据权利要求2所述的方法,其特征在于,所述分别确定图像数据和所述点云数据之间的相对位姿关系和相对时间关系之前,所述方法还包括:
对所述图像数据进行去畸变处理,得到处理后的图像数据;
所述分别确定图像数据和所述点云数据之间的相对位姿关系和相对时间关系,包括:
分别确定所述处理后的图像数据和所述点云数据之间的相对位姿关系和相对时间关系。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述第一交通指示信息、所述第一交通指示信息的位置以及所述第二交通指示信息,生成高精地图,包括:
若包括多帧点云数据,则将所述第二交通指示信息投影到所述多帧点云数据中的每帧点云数据中,得到所述多帧点云数据中的每帧点云数据中的投影后的交通指示信息的类别以及所述投影后的交通指示信息的位置;
对所述多帧点云数据中的每帧点云数据进行去重影处理,得到处理后的多帧点云数据;
根据所述投影后的交通指示信息的类别以及所述投影后的交通指示信息的位置,对所述处理后的多帧点云数据进行语义融合,得到融合后的点云数据中的目标交通指示信息的类别以及所述目标交通指示信息的位置;
根据所述目标交通指示信息的类别以及所述目标交通指示信息的位置,生成所述高精地图。
5.根据权利要求4所述的方法,其特征在于,所述将所述第二交通指示信息投影到所述多帧点云数据中的每帧点云数据中,得到所述多帧点云数据中的每帧点云数据中的投影后的交通指示信息的类别以及所述投影后的交通指示信息的位置,包括:
若任意一帧点云数据中的任意一个位置存在一类交通指示信息,则将所述交通指示信息的类别确定为所述位置对应的投影后的交通指示信息的类别;或者,
若任意一帧点云数据中的任意一个位置至少存在两类交通指示信息,则分别确定每类交通指示信息的置信度,并将置信度最大的交通指示信息的类别确定为所述位置对应的投影后的交通指示信息的类别。
6.根据权利要求4或5所述的方法,其特征在于,所述根据所述投影后的交通指示信息的类别以及所述投影后的交通指示信息的位置,对所述处理后的多帧点云数据进行语义融合,得到融合后的点云数据中的目标交通指示信息的类别以及所述目标交通指示信息的位置,包括:
若任意两帧点云数据中相同的任意一个位置存在一类交通指示信息,则将所述交通指示信息的类别确定为所述位置对应的目标交通指示信息的类别;或者,
若任意两帧点云数据中相同的任意一个位置至少存在两类交通指示信息,则分别确定每类交通指示信息的置信度,并将置信度最大的交通指示信息的类别确定为所述位置对应的目标交通指示信息的类别;或者,
若任意两帧点云数据中相同的任意一个位置至少存在两类交通指示信息,则分别确定每类交通指示信息的类别,并将相同类别数量最多的交通指示信息的类别确定为所述位置对应的目标交通指示信息的类别。
7.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述第一交通指示信息、所述第一交通指示信息的位置以及所述第二交通指示信息,生成高精地图,包括:
若包括多帧点云数据,则对所述多帧点云数据中的每帧点云数据进行去重影处理,得到处理后的多帧点云数据;
对所述处理后的多帧点云数据进行拼接融合,得到融合后的点云数据;
将所述第二交通指示信息的语义投影到所述融合后的点云数据中,得到所述融合后的点云数据中的目标交通指示信息的类别以及所述目标交通指示信息的位置;
根据所述融合后的点云数据中的目标交通指示信息的类别以及所述目标交通指示信息的位置,生成所述高精地图。
8.根据权利要求7所述的方法,其特征在于,所述将所述第二交通指示信息的语义投影到所述融合后的点云数据中,得到所述融合后的点云数据中的目标交通指示信息的类别以及所述目标交通指示信息的位置,包括:
若任意一帧点云数据中的任意一个位置存在一类交通指示信息,则将所述交通指示信息的类别确定为所述位置对应的目标交通指示信息的类别;或者,
若任意一帧点云数据中的任意一个位置至少存在两类交通指示信息,则分别确定每类交通指示信息的置信度,并将置信度最大的交通指示信息的类别确定为所述位置对应的目标交通指示信息的类别;或者,
若任意一帧点云数据中的任意一个位置至少存在两类交通指示信息,则分别确定每类交通指示信息的类别,并将相同类别数量最多的交通指示信息的类别确定为所述位置对应的目标交通指示信息的类别。
9.根据权利要求1-8任一项所述的方法,其特征在于,
所述第一交通指示信息包括车道线、信号灯或交通标牌中的至少一种;
所述第二交通指示信息包括虚线、实线、斑马线、停止线、减速标志、转向箭头、绿灯、红灯、黄灯、闪光警告灯、方向指示信号灯、车道信号灯、人行横道信号灯、旅游标志牌、道路指向牌、禁止牌指示标志牌、警告标志牌、交通标志牌、铸铝标志牌、反光标志牌或服务区指令牌中的至少一种。
10.一种高精地图生成装置,其特征在于,包括:
获取模块,用于分别获取点云数据和图像数据;
识别模块,用于识别所述点云数据中的第一交通指示信息以及所述第一交通指示信息的位置,所述第一交通指示信息的类别属于高精地图要素的粗粒度类别;
所述识别模块,还用于识别所述图像数据中的第二交通指示信息,所述第二交通指示信息的类别属于高精地图要素的细粒度类别;
处理模块,用于根据所述第一交通指示信息、所述第一交通指示信息的位置以及所述第二交通指示信息,生成高精地图。
11.根据权利要求10所述的装置,其特征在于,所述处理模块,用于分别确定图像数据和所述点云数据之间的相对位姿关系和相对时间关系,所述相对位姿关系用于将所述图像数据和所述点云数据进行位姿对齐,所述相对时间关系用于将所述图像数据中的2D点和所述点云数据中的3D点进行时间对齐;根据所述相对位姿关系和所述相对时间关系,构建所述点云数据中的3D点和所述图像数据中的2D点之间的投影关系;基于所述投影关系,根据所述第一交通指示信息、所述第一交通指示信息的位置以及所述第二交通指示信息,生成高精地图。
12.根据权利要求11所述的装置,其特征在于,所述处理模块,还用于在所述处理模块所述分别确定图像数据和所述点云数据之间的相对位姿关系和相对时间关系之前,对所述图像数据进行去畸变处理,得到处理后的图像数据;
所述处理模块,具体用于分别确定所述处理后的图像数据和所述点云数据之间的相对位姿关系和相对时间关系。
13.根据权利要求10-12任一项所述的装置,其特征在于,所述处理模块,具体用于若包括多帧点云数据,则将所述第二交通指示信息投影到所述多帧点云数据中的每帧点云数据中,得到所述多帧点云数据中的每帧点云数据中的投影后的交通指示信息的类别以及所述投影后的交通指示信息的位置;对所述多帧点云数据中的每帧点云数据进行去重影处理,得到处理后的多帧点云数据;根据所述投影后的交通指示信息的类别以及所述投影后的交通指示信息的位置,对所述处理后的多帧点云数据进行语义融合,得到融合后的点云数据中的目标交通指示信息的类别以及所述目标交通指示信息的位置;根据所述目标交通指示信息的类别以及所述目标交通指示信息的位置,生成所述高精地图。
14.根据权利要求13所述的装置,其特征在于,所述处理模块,用于若任意一帧点云数据中的任意一个位置存在一类交通指示信息,则将所述交通指示信息的类别确定为所述位置对应的投影后的交通指示信息的类别;或者,若任意一帧点云数据中的任意一个位置至少存在两类交通指示信息,则分别确定每类交通指示信息的置信度,并将置信度最大的交通指示信息的类别确定为所述位置对应的投影后的交通指示信息的类别。
15.根据权利要求13或14所述的装置,其特征在于,
所述处理模块,用于在任意两帧点云数据中相同的任意一个位置存在一类交通指示信息时,将所述交通指示信息的类别确定为所述位置对应的目标交通指示信息的类别;或者,
所述处理模块,用于在任意两帧点云数据中相同的任意一个位置至少存在两类交通指示信息时,分别确定每类交通指示信息的置信度,并将置信度最大的交通指示信息的类别确定为所述位置对应的目标交通指示信息的类别;或者,
所述处理模块,用于在任意两帧点云数据中相同的任意一个位置至少存在两类交通指示信息,则分别确定每类交通指示信息的类别,并将相同类别数量最多的交通指示信息的类别确定为所述位置对应的目标交通指示信息的类别。
16.根据权利要求10-15任一项所述的装置,其特征在于,所述处理模块,还具体用于在包括多帧点云数据时,对所述多帧点云数据中的每帧点云数据进行去重影处理,得到处理后的多帧点云数据;对所述处理后的多帧点云数据进行拼接融合,得到融合后的点云数据;将所述第二交通指示信息的语义投影到所述融合后的点云数据中,得到所述融合后的点云数据中的目标交通指示信息的类别以及所述目标交通指示信息的位置;根据所述融合后的点云数据中的目标交通指示信息的类别以及所述目标交通指示信息的位置,生成所述高精地图。
17.根据权利要求16所述的装置,其特征在于,
所述处理模块,用于在任意一帧点云数据中的任意一个位置存在一类交通指示信息时,将所述交通指示信息的类别确定为所述位置对应的目标交通指示信息的类别;或者,
所述处理模块,用于在任意一帧点云数据中的任意一个位置至少存在两类交通指示信息时,分别确定每类交通指示信息的置信度,并将置信度最大的交通指示信息的类别确定为所述位置对应的目标交通指示信息的类别;或者,
所述处理模块,用于在任意一帧点云数据中的任意一个位置至少存在两类交通指示信息时,分别确定每类交通指示信息的类别,并将相同类别数量最多的交通指示信息的类别确定为所述位置对应的目标交通指示信息的类别。
18.根据权利要求10-17任一项所述的装置,其特征在于,
所述第一交通指示信息包括车道线、信号灯或交通标牌中的至少一种;
所述第二交通指示信息包括虚线、实线、斑马线、停止线、减速标志、转向箭头、绿灯、红灯、黄灯、闪光警告灯、方向指示信号灯、车道信号灯、人行横道信号灯、旅游标志牌、道路指向牌、禁止牌指示标志牌、警告标志牌、交通标志牌、铸铝标志牌、反光标志牌或服务区指令牌中的至少一种。
19.一种电子设备,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1-9中任一项所述的高精地图生成方法。
20.一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1-9中任一项所述的高精地图生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010598621.XA CN111784837B (zh) | 2020-06-28 | 2020-06-28 | 高精地图生成方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010598621.XA CN111784837B (zh) | 2020-06-28 | 2020-06-28 | 高精地图生成方法、装置、设备、存储介质和程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784837A true CN111784837A (zh) | 2020-10-16 |
CN111784837B CN111784837B (zh) | 2024-04-16 |
Family
ID=72760703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010598621.XA Active CN111784837B (zh) | 2020-06-28 | 2020-06-28 | 高精地图生成方法、装置、设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784837B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541049A (zh) * | 2020-12-25 | 2021-03-23 | 北京百度网讯科技有限公司 | 高精地图处理方法、装置、设备、存储介质和程序产品 |
CN113674287A (zh) * | 2021-09-03 | 2021-11-19 | 阿波罗智能技术(北京)有限公司 | 高精地图的绘制方法、装置、设备以及存储介质 |
CN113688935A (zh) * | 2021-09-03 | 2021-11-23 | 阿波罗智能技术(北京)有限公司 | 高精地图的检测方法、装置、设备以及存储介质 |
CN113706704A (zh) * | 2021-09-03 | 2021-11-26 | 北京百度网讯科技有限公司 | 基于高精地图规划路线的方法、设备以及自动驾驶车辆 |
CN114419590A (zh) * | 2022-01-17 | 2022-04-29 | 北京百度网讯科技有限公司 | 高精地图的验证方法、装置、设备以及存储介质 |
CN115410173A (zh) * | 2022-11-01 | 2022-11-29 | 北京百度网讯科技有限公司 | 多模态融合的高精地图要素识别方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097444A (zh) * | 2016-05-30 | 2016-11-09 | 百度在线网络技术(北京)有限公司 | 高精地图生成方法和装置 |
US20190035099A1 (en) * | 2017-07-27 | 2019-01-31 | AI Incorporated | Method and apparatus for combining data to construct a floor plan |
CN109523581A (zh) * | 2017-09-19 | 2019-03-26 | 华为技术有限公司 | 一种三维点云对齐的方法和装置 |
CN109636905A (zh) * | 2018-12-07 | 2019-04-16 | 东北大学 | 基于深度卷积神经网络的环境语义建图方法 |
CN110186467A (zh) * | 2018-02-23 | 2019-08-30 | 通用汽车环球科技运作有限责任公司 | 群感测点云地图 |
CN110568451A (zh) * | 2019-08-02 | 2019-12-13 | 北京三快在线科技有限公司 | 一种高精度地图中道路交通标线的生成方法和装置 |
-
2020
- 2020-06-28 CN CN202010598621.XA patent/CN111784837B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097444A (zh) * | 2016-05-30 | 2016-11-09 | 百度在线网络技术(北京)有限公司 | 高精地图生成方法和装置 |
US20190035099A1 (en) * | 2017-07-27 | 2019-01-31 | AI Incorporated | Method and apparatus for combining data to construct a floor plan |
CN109523581A (zh) * | 2017-09-19 | 2019-03-26 | 华为技术有限公司 | 一种三维点云对齐的方法和装置 |
CN110186467A (zh) * | 2018-02-23 | 2019-08-30 | 通用汽车环球科技运作有限责任公司 | 群感测点云地图 |
CN109636905A (zh) * | 2018-12-07 | 2019-04-16 | 东北大学 | 基于深度卷积神经网络的环境语义建图方法 |
CN110568451A (zh) * | 2019-08-02 | 2019-12-13 | 北京三快在线科技有限公司 | 一种高精度地图中道路交通标线的生成方法和装置 |
Non-Patent Citations (1)
Title |
---|
薛建儒;李庚欣;: "无人车的场景理解与自主运动", 无人系统技术, no. 02, 15 July 2018 (2018-07-15) * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541049A (zh) * | 2020-12-25 | 2021-03-23 | 北京百度网讯科技有限公司 | 高精地图处理方法、装置、设备、存储介质和程序产品 |
CN112541049B (zh) * | 2020-12-25 | 2024-03-01 | 北京百度网讯科技有限公司 | 高精地图处理方法、装置、设备、存储介质和程序产品 |
CN113674287A (zh) * | 2021-09-03 | 2021-11-19 | 阿波罗智能技术(北京)有限公司 | 高精地图的绘制方法、装置、设备以及存储介质 |
CN113688935A (zh) * | 2021-09-03 | 2021-11-23 | 阿波罗智能技术(北京)有限公司 | 高精地图的检测方法、装置、设备以及存储介质 |
CN113706704A (zh) * | 2021-09-03 | 2021-11-26 | 北京百度网讯科技有限公司 | 基于高精地图规划路线的方法、设备以及自动驾驶车辆 |
CN114419590A (zh) * | 2022-01-17 | 2022-04-29 | 北京百度网讯科技有限公司 | 高精地图的验证方法、装置、设备以及存储介质 |
CN114419590B (zh) * | 2022-01-17 | 2024-03-19 | 北京百度网讯科技有限公司 | 高精地图的验证方法、装置、设备以及存储介质 |
CN115410173A (zh) * | 2022-11-01 | 2022-11-29 | 北京百度网讯科技有限公司 | 多模态融合的高精地图要素识别方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111784837B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784837B (zh) | 高精地图生成方法、装置、设备、存储介质和程序产品 | |
CN110595494B (zh) | 地图误差确定方法和装置 | |
CN112415552B (zh) | 车辆位置的确定方法、装置及电子设备 | |
CN111220154A (zh) | 车辆定位方法、装置、设备和介质 | |
US11828604B2 (en) | Method and apparatus for positioning vehicle, electronic device, and storage medium | |
CN111649739B (zh) | 定位方法和装置、自动驾驶车辆、电子设备和存储介质 | |
CN111324115B (zh) | 障碍物位置检测融合方法、装置、电子设备和存储介质 | |
CN110542436B (zh) | 车辆定位系统的评测方法、装置、设备及存储介质 | |
CN110806215B (zh) | 车辆定位的方法、装置、设备及存储介质 | |
CN112069856A (zh) | 地图生成方法、驾驶控制方法、装置、电子设备及系统 | |
CN111274343A (zh) | 一种车辆定位方法、装置、电子设备及存储介质 | |
CN111220164A (zh) | 定位方法、装置、设备及存储介质 | |
CN110765227A (zh) | 道路交通网络模型构建方法及装置 | |
CN112147632A (zh) | 车载激光雷达感知算法的测试方法、装置、设备和介质 | |
CN111721281B (zh) | 位置识别方法、装置和电子设备 | |
EP3919864B1 (en) | Method and apparatus for processing map data | |
CN112344855B (zh) | 障碍物的检测方法、装置、存储介质和路测设备 | |
CN111353453B (zh) | 用于车辆的障碍物检测方法和装置 | |
CN111784835A (zh) | 制图方法、装置、电子设备及可读存储介质 | |
CN111523471A (zh) | 车辆所在车道的确定方法、装置、设备以及存储介质 | |
CN113706704B (zh) | 基于高精地图规划路线的方法、设备以及自动驾驶车辆 | |
CN113483774B (zh) | 导航方法、装置、电子设备及可读存储介质 | |
CN111638528A (zh) | 定位方法、装置、电子设备和存储介质 | |
CN111507204A (zh) | 倒计时信号灯的检测方法、装置、电子设备及存储介质 | |
CN113844463A (zh) | 基于自动驾驶系统的车辆控制方法、装置及车辆 |
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 |