CN111798536A - 一种定位地图的构建方法及装置 - Google Patents
一种定位地图的构建方法及装置 Download PDFInfo
- Publication number
- CN111798536A CN111798536A CN202010543585.7A CN202010543585A CN111798536A CN 111798536 A CN111798536 A CN 111798536A CN 202010543585 A CN202010543585 A CN 202010543585A CN 111798536 A CN111798536 A CN 111798536A
- Authority
- CN
- China
- Prior art keywords
- image
- road
- image set
- road image
- images
- 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 76
- 238000010276 construction Methods 0.000 claims abstract description 17
- 230000009469 supplementation Effects 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 239000013589 supplement Substances 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Processing Or Creating Images (AREA)
- Instructional Devices (AREA)
Abstract
本说明书公开了一种定位地图的构建方法及装置,获取道路图像,以及所述道路图像对应的图像关联信息。而后,将道路图像进行排序,得到道路图像对应的道路图像序列,并将道路图像序列进行划分,得到各道路图像集合。之后,根据该道路图像集合中包含的道路图像所对应的图像关联信息,确定该道路图像集合所对应的补偿图像,并通过补偿图像对该道路图像集合进行图像补充,得到补充后图像集合,分别对各补充后图像集合对应的位姿数据进行优化,并根据各补充后图像集合对应的优化后位姿数据,构建定位地图,在一定程度上提高了定位地图的构建效率。
Description
技术领域
本说明书涉及无人驾驶技术领域,尤其涉及一种定位地图的构建方法及装置。
背景技术
当前,为了保证无人驾驶设备能够安全的自动行驶,需要对无人驾驶设备进行准确的定位,其中,可以通过安装在无人驾驶设备中的图像采集器采集无人驾驶设备周围的图像,再结合视觉定位地图,对无人驾驶设备实施定位。
在现有技术中,可以通过运动恢复结构(Structure From Motion,SFM)的方法针对需要构建定位地图的地理区域确定出视觉定位地图,SFM方法需要将针对该地理区域采集的各道路图像进行图像分析,从而最终得到该地理区域的视觉定位地图。
然而,若是该地理区域非常大时,那么构建该地理区域所用到的道路图像的数目也会增多,那么通过SFM方法对大量的道路图像进行图像分析所消耗的时间也将极大的增高,相应的,视觉定位地图的构建效率也就会随之降低。
所以,如何提高针对视觉定位地图的构建效率,则是一个亟待解决的问题。
发明内容
本说明书提供一种定位地图的构建方法及装置,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种定位地图的构建方法,包括:
获取道路图像,以及所述道路图像对应的图像关联信息,所述图像关联信息包括:所述道路图像对应的采集时间以及采集位置;
根据所述道路图像对应的图像关联信息,将所述道路图像进行排序,得到所述道路图像对应的道路图像序列;
将所述道路图像序列进行划分,得到各道路图像集合;
针对每个道路图像集合,根据该道路图像集合中包含的道路图像所对应的图像关联信息,确定该道路图像集合所对应的补偿图像,并通过所述补偿图像对该道路图像集合进行图像补充,得到补充后图像集合;
针对每个补充后图像集合,根据该补充后图像集合包含的道路图像对应的图像关联信息,对该补充后图像集合包含的道路图像对应的位姿数据进行优化,得到该补充后图像集合对应的优化后位姿数据;
根据所述各补充后图像集合对应的优化后位姿数据,构建定位地图。
可选地,根据所述道路图像对应的图像关联信息,将所述道路图像进行排序,得到所述道路图像对应的道路图像序列,具体包括:
按照所述指定采集设备采集所述道路图像所基于的采集时间的时间先后顺序,将所述道路图像进行排序,得到道路图像序列。
可选地,将所述道路图像序列进行划分,得到各道路图像集合,具体包括:
将所述道路图像序列中设定数目的连续道路图像划分为一个道路图像集合,不同道路图像集合中包含的道路图像均不相同。
可选地,针对每个道路图像集合,根据该道路图像集合中包含的道路图像所对应的图像关联信息,确定该道路图像集合所对应的补偿图像,具体包括:
针对该道路图像集合中包含的每个道路图像,从其他道路图像集合中确定出与该道路图像对应的采集位置不超过设定距离的道路图像,作为该道路图像所对应的候选补偿图像;
根据该道路图像集合中包含的各道路图像对应的候选补偿图像,确定该道路图像集合所对应的补偿图像。
可选地,根据该道路图像集合中包含的各道路图像对应的候选补偿图像,确定该道路图像集合所对应的补偿图像,具体包括:
确定该候选补偿图像与该道路图像之间的图像相似度;
若所述图像相似度不小于设定相似度,将该道路图像对应的候选补偿图像,作为该道路图像集合对应的补偿图像。
可选地,通过所述补偿图像对该道路图像集合进行图像补充,得到补充后图像集合,具体包括:
通过该道路图像集合中包含的各道路图像对应的补偿图像对该道路图像集合进行图像补充,得到待处理图像集合;
将所述待处理图像集合中重复的道路图像去除,得到补充后图像集合。
可选地,根据所述各补充后图像集合对应的优化后位姿数据,构建定位地图,具体包括:
以所述各补充后图像集合中包含的相同道路图像所对应的位姿数据相同作为约束条件,对所述各补充后图像集合对应的优化后位姿数据进行整合,得到整合后位姿数据;
根据所述整合后位姿数据以及所述各补充后图像集合,构建定位地图。
本说明书提供了一种无人驾驶设备的定位方法,包括:
无人驾驶设备采集当前时刻所处道路的环境图像,并确定采集所述环境图像所基于的地理位置,作为基础地理位置;
根据所述基础地理位置,确定与所述基础地理位置相匹配的地理区域;
根据针对所述地理区域所对应的定位地图以及所述环境图像,确定所述无人驾驶设备当前时刻所处的实际地理位置,其中,所述地理区域所对应的定位地图是通过上述定位地图的构建方法进行构建的。
本说明书提供了一种定位地图的构建装置,包括:
获取模块,用于获取道路图像,以及所述道路图像对应的图像关联信息,所述图像关联信息包括:所述道路图像对应的采集时间以及采集位置;
排序模块,用于根据所述道路图像对应的图像关联信息,将所述道路图像进行排序,得到所述道路图像对应的道路图像序列;
划分模块,用于将所述道路图像序列进行划分,得到各道路图像集合;
补充模块,用于针对每个道路图像集合,根据该道路图像集合中包含的道路图像所对应的图像关联信息,确定该道路图像集合所对应的补偿图像,并通过所述补偿图像对该道路图像集合进行图像补充,得到补充后图像集合;
位姿优化模块,用于针对每个补充后图像集合,根据该补充后图像集合包含的道路图像对应的图像关联信息,对该补充后图像集合包含的道路图像对应的位姿数据进行优化,得到该补充后图像集合对应的优化后位姿数据;
地图构建模块,用于根据所述各补充后图像集合对应的优化后位姿数据,构建定位地图。
本说明书提供了一种无人驾驶设备的定位装置,包括:
采集模块,用于采集当前时刻所处道路的环境图像,并确定采集所述环境图像所基于的地理位置,作为基础地理位置;
匹配模块,用于根据所述基础地理位置,确定与所述基础地理位置相匹配的地理区域;
定位模块,用于根据针对所述地理区域所对应的定位地图以及所述环境图像,确定所述装置当前时刻所处的实际地理位置,其中,所述地理区域所对应的定位地图是通过上述定位地图的构建方法进行构建的。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述定位地图的构建方法或无人驾驶设备的定位方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述定位地图的构建方法或无人驾驶设备的定位方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的定位地图的构建方法中,获取道路图像,以及所述道路图像对应的图像关联信息,图像关联信息包括:道路图像对应的采集时间以及采集位置。而后,根据道路图像对应的图像关联信息,将道路图像进行排序,得到道路图像对应的道路图像序列,并将道路图像序列进行划分,得到各道路图像集合。之后,根据该道路图像集合中包含的道路图像所对应的图像关联信息,确定该道路图像集合所对应的补偿图像,并通过补偿图像对该道路图像集合进行图像补充,得到补充后图像集合,针对每个补充后图像集合,根据该补充后图像集合包含的道路图像对应的图像关联信息,对该补充后图像集合包含的道路图像对应的位姿数据进行优化,得到该补充后图像集合对应的优化后位姿数据,进而根据各补充后图像集合对应的优化后位姿数据,构建定位地图。
从上述方法中可以看出,本方法是在获取到用于构建定位地图的道路图像后,通过将道路图像进行分组的方式,对分组后的各道路图像集合进行数据处理,可以看出,相比于现有技术需要通过所有道路图像进行定位地图构建的方式,在一定程度上提高了定位地图的构建效率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中一种定位地图的构建方法的流程示意图;
图2为本说明书提供的一种指定采集设备采集道路图像的示意图;
图3为本说明书中一种无人驾驶设备的定位方法的流程示意图;
图4为本说明书提供的一种定位地图的构建装置的示意图;
图5为本说明书提供的一种无人驾驶设备的定位装置的示意图;
图6为本说明书提供的对应于图1或图3的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种定位地图的构建方法的流程示意图,具体包括以下步骤:
S101:获取道路图像,以及所述道路图像对应的图像关联信息,所述图像关联信息包括:所述道路图像对应的采集时间以及采集位置。
在实际应用中,为了能够使无人驾驶设备在行驶过程中对自身进行准确定位,可以构建出用于无人驾驶设备定位的定位地图。基于此,在本说明书中,可以确定出需要构建定位地图的区域,并获取到针对这一区域所采集的道路图像,进而通过这些道路图像,进行定位地图的构建。需要说明的是,进行定位地图的构建的执行主体可以是大型的服务平台、小型的服务器以及台式电脑等设备,为了便于描述,下面以服务平台为执行主体对本说明书提供的定位地图的构建方法进行说明。
其中,服务平台可以获取指定采集设备采集的道路图像。这里提到的道路图像均是通过指定采集设备以水平视角进行采集的道路图像。而指定采集设备可以是指人为驾驶的设有图像采集器的常规车辆,也可以是指设有图像采集器的无人驾驶设备。这里提到的图像采集器可以是指相机、摄像头等图像采集装置。
上述提到的无人驾驶设备可以是指无人车、机器人、自动配送设备等能够实现自动驾驶的设备。基于此,应用本说明书提供的定位地图的构建方法构建定位地图后,该定位地图可以用于针对执行配送任务的无人驾驶设备的定位,如,在使用无人驾驶设备进行快递、物流、外卖等配送的业务场景中,可以使用本方法构建的定位地图对无人驾驶设备进行定位。
服务平台还需获取到该指定采集设备采集道路图像时所基于的图像关联信息,作为道路图像对应的图像关联信息。这里提到的图像关联信息包括该指定采集设备采集道路图像所基于的采集时间以及采集位置。其中,指定采集设备可以通过预设的定位方式确定的自身采集各道路图像所对应的采集位置,并将该采集位置发送给服务平台,服务平台可以获取到该指定采集设备采集道路图像所对应的采集位置。这里提到的定位方式具体可以采用如全球定位系统(Global Positioning System,GPS)、基站定位等常规定位方式实施定位,本说明书不对具体采用的定位方式进行限定。
S102:根据所述道路图像对应的图像关联信息,将所述道路图像进行排序,得到所述道路图像对应的道路图像序列。
服务平台获取到道路图像对应的图像关联信息后,可以按照道路图像对应的图像关联信息将全部的道路图像进行排序,得到道路图像序列。
其中,服务平台得到上述道路图像序列所采用的具体排序方式可以有多种,例如,服务平台可以按照上述指定采集设备采集道路图像时所基于的采集时间的时间先后顺序将各道路图像进行排序,得到上述道路图像序列;再例如,服务平台还可以根据指定采集设备采集道路图像时所基于的采集位置以及指定采集设备采集道路图像时行驶的方向,将各道路图像按照采集位置的先后顺序进行排序,得到上述道路图像序列。其他方式在此就不详细举例说明了。
S103:将所述道路图像序列进行划分,得到各道路图像集合。
服务平台确定出上述道路图像序列后,可以通过预设的划分道路图像序列的方式,对道路图像进行分组,得到各道路图像集合。其中,服务平台可以将道路图像序列中设定数目的连续道路图像划分为一个道路图像集合,不同道路图像集合中包含的道路图像均不相同。例如,服务平台获取了指定采集设备采集的1000张道路图像,并将这1000张道路图像进行排序后得到道路图像序列。而后,服务平台按照实际需求将设定数目设为20。那么服务平台可以将连续的每20张道路图像划分到一个道路图像集合中,从而得到50个道路图像集合。
除了上述提到的划分方式外,服务平台还可以通过其他方式对道路图像序列进行划分。服务平台可以按照指定采集设备采集各道路图像的采集时间,对道路图像序列进行划分。其中,服务平台可以先划分出多个时间间隔,然后将道路图像序列中采集时间位于同一时间间隔的连续道路图像划分为一个道路图像集合,不同道路图像集合中包含的道路图像均不相同。
需要指出的是,若指定采集设备采集道路图像的频率是不变的,那么每个道路图像集合中包含的道路图像的图像数目是相同的,若指定采集设备采集道路图像的频率是变化的,那么每个道路图像集合中包含的道路图像的图像数目是不尽相同的。
S104:针对每个道路图像集合,根据该道路图像集合中包含的道路图像所对应的图像关联信息,确定该道路图像集合所对应的补偿图像,并通过所述补偿图像对该道路图像集合进行图像补充,得到补充后图像集合。
服务平台根据上述方法划分出各道路图像集合后,可以对各道路图像集合所对应的整个地理区域(上述指定设备采集每个道路图像时都会基于一个采集位置,这些采集位置所围成的区域即为各道路图像集合所对应的整个地理区域)构建定位地图。但通过基于上述方式得到各道路图像集合所构建出的定位地图,其准确性较低,具体原因有以下几点。一,假设道路图像集合a中包含道路图像1、道路图像2以及道路图像3,道路图像集合b中包含道路图像4、道路图像5以及道路图像6。由于从道路图像的采集时间和采集位置可知,道路图像3和道路图像4为相邻的两个道路图像,而道路图像3以及道路图像4中可能会包含有同一目标物的图像。然而,指定采集设备在采集各道路图像时所定位出的采集位置存在一定的误差,并且,指定采集设备上的图像采集器的参数也存在一定的误差,这就导致道路图像3和道路图像4中包含的同一目标物在道路图像集合a所对应的位姿数据,与该目标物在道路图像集合b所对应的位姿数据存在一定的偏差,从而影响最终构建出的定位地图的准确性。二,通过上述划分道路图像序列的方式得到该道路图像集合后,可能会出现某些图像是属于该道路图像集合所对应的地理区域,却没有被划分到该道路图像集合中,如图2所示。
图2为本说明书提供的一种指定采集设备采集道路图像的示意图。
图2中点A为指定采集设备采集道路图像a时的位置,点B为指定采集设备采集道路图像b时的位置,指定采集设备采集到道路图像a后,沿着道路行驶,很久后才到达点B,并且拍下了道路图像b。而在到达点B前,指定采集设备已经采集了大量的道路图像,这就导致道路图像a被划分在一个道路图像集合中,道路图像b被划分在另一个道路图像集合中,但实际上道路图像b是应该被划分到道路图像a所属的道路图像集合的。
基于此,服务平台可以根据该道路图像集合中包含的道路图像所对应的图像关联信息,确定该道路图像集合所对应的补偿图像。这样可以有效地丰富用于标定该道路图像集合中各道路图像对应位姿数据的图像样本,并最终保证确定出的定位地图能够更加准确。
具体的,服务平台可以通过指定采集设备采集该道路图像集合中包含的道路图像基于的采集位置,确定该道路图像集合对应的补偿图像。其中,服务平台可以针对该道路图像集合中的每个道路图像,从其他道路图像集合中确定与该道路图像对应的采集位置不超过设定距离的道路图像,作为该道路图像对应的候选补偿图像,并根据该道路图像集合中包含的各道路图像对应的候选补偿图像,确定该道路图像集合所对应的补偿图像。这里提到的设定距离可以是指服务平台根据实际需求进行设定的。
在本说明书中,根据该道路图像集合中包含的各道路图像对应的候选补偿图像,确定该道路图像集合对应的补偿图像的方式可以有多种。例如,服务平台可以将该道路图像集合中包含的各道路图像对应的候选补偿图像,均作为该道路图像集合对应的补偿图像。
再例如,服务平台可以在针对该道路图像集合中包含的每个道路图像,确定出该道路图像对应的候选补偿图像后,从该道路图像对应的候选补偿图像中确定出,与该道路图像之间的图像相似度不小于设定相似度的候选补偿图像,作为该道路图像对应的补偿图像,由于该道路图像属于该道路图像集合,所以,该道路图像对应的补偿图像,也属于该道路图像集合所对应的补偿图像。这里提到的设定相似度可以是服务平台根据实际需求进行设定的,通过图像相似度对候选补偿图像进行筛选,可以将与该道路图像之间相差过大的候选补偿图像进行去除。其中,服务平台确定候选补偿图像与该道路图像之间的图像相似度的方式有多种,如,欧氏距离、余弦距离等,服务平台还可以分别提取出道路图像以及候选补偿图像中的特征,并通过词袋法以及提取出的特征分别确定出能够表示道路图像以及候选补偿图像的图像向量,再结合欧氏距离或余弦距离的方式,确定出候选补偿图像与该道路图像之间的图像相似度。
再例如,服务平台在针对该道路图像集合中包含的每个道路图像,确定出该道路图像对应的候选补偿图像后,若确定出的候选补偿图像的图像数目较多,那么服务平台可以按照与指定采集设备采集该道路图像时所基于的采集位置之间的距离从小到大的顺序,对该道路图像对应的候选补偿图像进行排序,并将排在设定排位之前的该道路图像对应的候选补偿图像作为该道路图像对应的补偿图像,也即作为该道路图像集合所对应的补偿图像。
服务平台从该道路图像集合中包含的各道路图像对应的候选补偿图像中,确定出了该道路图像集合中包含的各道路图像对应的补偿图像,并将这些补偿图像补充到该道路图像集合中,然后,将这些补偿图像补充到该道路图像集合后,可能会存在多个重复的道路图像,因此,服务平台可以将该道路图像集合中包含的各道路图像对应的补偿图像补充到该道路图像集合中,得到待处理图像集合,并将待处理图像集合中重复的道路图像去除,得到该道路图像集合所对应的补充后图像集合。
当然,服务平台也可以先对该道路图像集合中包含的各道路图像对应的候选补偿图像进行去重,再对该道路图像集合进行图像补充。
服务平台可以针对该道路图像集合中包含的每个道路图像,从道路图像序列中确定与指定采集设备采集该道路图像所基于的采集位置之间不超过设定距离的道路图像,并将这些道路图像按照与指定采集设备采集该道路图像时所基于的采集位置之间的距离从小到大进行排序,确定出排在设定排位前的道路图像作为该道路图像对应的候选补偿图像。
服务平台可以确定出该道路图像对应的每个候选补偿图像与该道路图像之间图像相似度,并将图像相似度大于设定相似度的候选补偿图像挑选出来,这些候选补偿图像可能会与该道路图像集合中包含的其他道路图像以及该其他道路图像对应的补偿图像相重复,因此需要将重复的候选补偿图像进行剔除,从而得到该道路图像对应的补偿图像。服务平台可以将该道路图像集合中包含的各道路图像对应的补偿图像补充到该道路图像集合中,得到补充后图像集合。
S105:针对每个补充后图像集合,根据该补充后图像集合包含的道路图像对应的图像关联信息,对该补充后图像集合包含的道路图像对应的位姿数据进行优化,得到该补充后图像集合对应的优化后位姿数据。
S106:根据所述各补充后图像集合对应的优化后位姿数据,构建定位地图。
服务平台确定出了每个补充后图像集合后,可以针对各补充后图像集合所对应的地理区域进行定位地图的构建。其中,构建出的定位地图可以有两种形式,其中一种形式为针对各地理区域的图像集合形式,图像集合中包含的每个图像均标注有该图像所对应的准确位姿数据,通过图像匹配的方式可以实现实时定位。另一种形式为三维点云地图的形式,若是需要实时进行定位,可以通过将实时采集到的图像提取出特征点,从而与三维点云地图进行匹配,实现实时定位。
在本说明书中,服务平台可以通过SFM对分别对各补充后图像集合对应的位姿数据进行并行优化,得到各补充后图像集合对应的优化后位姿数据,再根据各补充后图像集合对应的优化后位姿数据,构建定位地图。其中,对补充后图像集合对应的位姿数据进行优化,实际上是对补充后图像集合中各道路图像对应的位姿数据(这里提到的位姿数据可以理解为采集道路图像的图像采集器在采集该道路图像时的位姿数据)进行优化。而优化的目的在于,由于指定设备的定位精度较低、记录的图像采集器的内参、外参数据与实际的内参、外参数据具有一定的误差等因素的存在,导致指定设备通过图像采集器采集一帧道路图像时所基于的位姿数据可能是不准确的,这就需要通过对采集到的各道路图像进行图像分析,来对各道路图像所对应的位姿数据进行修正,从而达到优化位姿数据的目的。
因此,服务平台可以在确定出各补充后图像集合后,可以采用SFM算法,分别对每个补充后图像集合中各道路图像所对应的位姿数据(道路图像所对应的位姿数据可以是指定设备采集该道路图像时通过诸如GPS、IMU等获取到的)进行标定,从而得到准确的各道路图像所对应的优化后位姿数据。而后,可以对各补充后图像集合所对应的优化后位姿数据进行整合,进而得到的整合后位姿数据,进行构建定位地图。
服务平台将各补充后图像集合对应的优化后位姿数据进行整合的目的在于:服务平台将各道路图像集合进行补充后,相邻地理区域的补充后图像集合中所包含的同一张道路图像所对应的位姿数据应是一致的。例如,在补充后图像集合A和补充后图像集合B中均包含有道路图像1、2、3,则道路图像1、2、3在补充后图像集合A中所对应的位姿数据,应该与道路图像1、2、3在补充后图像集合B中所对应的位姿数据是相一致的。
因此,服务平台可以各补充后图像集合中包含的相同道路图像所对应的位姿数据相同作为约束条件,对优化后位姿数据进行整合,得到各道路图像对应的整合后位姿数据,进而通过整合后位姿数据、各补充后图像集合,构建定位地图。当然,除了通过上述提到的方式来对各道路图像进行位姿数据的优化外,还可以通过诸如位姿图优化等方式来实现,在此就不详细举例说明了。
从上述方法中可以看出,本方法是在获取到用于构建定位地图的各道路图像后,通过将各道路图像进行分组的方式,对分组后的各补充后图像集合中包含的位姿数据进行标定,并对标定后得到的优化后位姿数据进行整合,从而准确的得到各道路图像对应的位姿数据。而后,基于整合后位姿数据、各补充后图像集合,对各补充后图像集合所对应的整个地理区域进行定位地图的构建。相比于在现有技术中,SFM方法是需要将所有道路图像一次性的进行运算从而构建出定位地图的方式来说,由于可以将数量庞大的道路图像进行分组并行处理,即,可以通过并行的方式,分别对各补充后图像集合所对应的位姿数据进行优化,这就有效地提高了优化各道路图像对应位姿数据的效率。并且,将各道路图像对应的位姿数据进行整合后,可以有效地保证各道路图像对应位姿数据的准确性,从而进一步地保证了最终构建出的定位地图的准确性。
即,本方法通过并行处理各补充后图像集合对应位姿数据的方式,有效地提高了定位地图的构建效率,并基于确定出的整合后位姿数据,可以有效地保证构建出的定位地图的准确性。
以上对本说明书中提供的一种定位地图的构建方法进行了说明,通过该定位地图的构建方法构建出定位地图后,可以应用于对无人驾驶设备的定位中,因此,以下对本说明书提供的一种无人驾驶设备的定位方法进行说明。
图3为本说明书中一种无人驾驶设备的定位方法的流程示意图,具体包括以下步骤:
S301:无人驾驶设备采集当前时刻所处道路的环境图像,并确定采集所述环境图像所基于的地理位置,作为基础地理位置。
无人驾驶设备通过以上方法构建出的定位地图进行定位时,该无人驾驶设备可以采集当前时刻所处道路的环境图像,该环境图像用于与定位地图进行匹配,从而对该无人驾驶设备进行准确的定位。同时,该无人驾驶设备可以确定采集该环境图像所基于的地理位置,作为基础地理位置,这一基础地理位置是通过无人驾驶设备中的定位装置进行确定的,该基础地理位置只是对该无人驾驶设备进行粗略的定位而得出的地理位置,无人驾驶设备可以在该基础地理位置的基础上,通过定位地图对自身进行更加准确的定位。该基础地理位置可以是通过常规的定位方式进行确定的,具体可以采用如全球定位系统(GlobalPositioning System,GPS)、基站定位等常规定位方式实施定位,本说明书不对具体采用的定位方式进行限定。
S302:根据所述基础地理位置,确定与所述基础地理位置相匹配的地理区域。
S303:根据针对所述地理区域所对应的定位地图以及所述环境图像,确定所述无人驾驶设备当前时刻所处的实际地理位置,其中,所述地理区域所对应的定位地图是通过上述定位地图的构建方法进行构建的。
无人驾驶设备确定出基础地理位置后,可以根据该基础地理位置,确定出与该基础地理位置相匹配的地理区域,也就是说,无人驾驶设备可以确定出该无人驾驶设备采集环境图像时所基于的位置是位于哪个地理区域的,无人驾驶设备可以通过该地理区域所对应的定位地图对自身进行定位。
其中,无人驾驶设备可以根据采集到的环境图像以及该地理区域所对应的定位地图,确定当前时刻自身所处的实际地理位置,该实际地理位置为无人驾驶设备通过定位地图确定出的自身准确位置。定位地图可以有两种形式,如果是图像集合形式的定位地图,可以将该环境图像与至少一个地理区域所对应的定位地图中的图像进行匹配,从而得到该无人驾驶设备对应的准确位姿数据,进而通过该准确位姿数据,确定出该无人驾驶设备对应的实际地理位置。如果是三维点云地图的形式,可以提取该环境图像中包含的特征点,再通过将该环境图像中包含的特征点与三维点云地图中的特征点进行匹配,从而得到该无人驾驶设备对应的实际地理位置。
通过上述方式,可以保证无人驾驶设备在粗略的完成对自身的定位后,可以基于采集到的环境图像,对自身实施更为准确的定位,从而有效地保证了无人驾驶设备在行驶过程中的定位准确性。
以上为本说明书的一个或多个实施例提供的定位地图的构建以及无人驾驶设备的定位方法,基于同样的思路,本说明书还提供了相应的定位地图的构建装置以及无人驾驶设备的定位装置,如图4、图5所示。
图4为本说明书提供的一种定位地图的构建装置示意图,具体包括:
获取模块401,用于获取道路图像,以及所述道路图像对应的图像关联信息,所述图像关联信息包括:所述道路图像对应的采集时间以及采集位置;
排序模块402,用于根据所述道路图像对应的图像关联信息,将所述道路图像进行排序,得到所述道路图像对应的道路图像序列;
划分模块403,用于将所述道路图像序列进行划分,得到各道路图像集合;
补充模块404,用于针对每个道路图像集合,根据该道路图像集合中包含的道路图像所对应的图像关联信息,确定该道路图像集合所对应的补偿图像,并通过所述补偿图像对该道路图像集合进行图像补充,得到补充后图像集合;
位姿优化模块405,用于针对每个补充后图像集合,根据该补充后图像集合包含的道路图像对应的图像关联信息,对该补充后图像集合包含的道路图像对应的位姿数据进行优化,得到该补充后图像集合对应的优化后位姿数据;
地图构建模块406,用于根据所述各补充后图像集合对应的优化后位姿数据,构建定位地图。
可选地,所述排序模块402具体用于,按照所述指定采集设备采集所述道路图像所基于的采集时间的时间先后顺序,将所述道路图像进行排序,得到道路图像序列。
可选地,所述划分模块403具体用于,将所述道路图像序列中设定数目的连续道路图像划分为一个道路图像集合,不同道路图像集合中包含的道路图像均不相同。
可选地,所述补充模块404具体用于,针对该道路图像集合中包含的每个道路图像,从其他道路图像集合中确定出与该道路图像对应的采集位置不超过设定距离的道路图像,作为该道路图像所对应的候选补偿图像;根据该道路图像集合中包含的各道路图像对应的候选补偿图像,确定该道路图像集合所对应的补偿图像。
可选地,所述补充模块404具体用于,确定该候选补偿图像与该道路图像之间的图像相似度;若所述图像相似度不小于设定相似度,将该道路图像对应的候选补偿图像,作为该道路图像集合对应的补偿图像。
可选地,所述补充模块404具体用于,通过该道路图像集合中包含的各道路图像对应的补偿图像对该道路图像集合进行图像补充,得到待处理图像集合;将所述待处理图像集合中重复的道路图像去除,得到补充后图像集合。
可选地,所述地图构建模块406具体用于,以所述各补充后图像集合中包含的相同道路图像所对应的位姿数据相同作为约束条件,对所述各补充后图像集合对应的优化后位姿数据进行整合,得到整合后位姿数据;根据所述整合后位姿数据以及所述各补充后图像集合,构建定位地图。
图5为本说明书提供的一种无人驾驶设备的定位装置示意图,具体包括:
采集模块501,用于采集当前时刻所处道路的环境图像,并确定采集所述环境图像所基于的地理位置,作为基础地理位置;
匹配模块502,用于根据所述基础地理位置,确定与所述基础地理位置相匹配的地理区域;
定位模块503,用于根据针对所述地理区域所对应的定位地图以及所述环境图像,确定所述装置当前时刻所处的实际地理位置,其中,所述地理区域所对应的定位地图是通过上述定位地图的构建方法进行构建的。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的定位地图的构建方法或上述图3提供的无人驾驶设备的定位方法。
本说明书还提供了图6所示的电子设备的示意结构图。如图6所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的定位地图的构建方法或上述图3提供的无人驾驶设备的定位方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (12)
1.一种定位地图的构建方法,其特征在于,包括:
获取道路图像,以及所述道路图像对应的图像关联信息,所述图像关联信息包括:所述道路图像对应的采集时间以及采集位置;
根据所述道路图像对应的图像关联信息,将所述道路图像进行排序,得到所述道路图像对应的道路图像序列;
将所述道路图像序列进行划分,得到各道路图像集合;
针对每个道路图像集合,根据该道路图像集合中包含的道路图像所对应的图像关联信息,确定该道路图像集合所对应的补偿图像,并通过所述补偿图像对该道路图像集合进行图像补充,得到补充后图像集合;
针对每个补充后图像集合,根据该补充后图像集合包含的道路图像对应的图像关联信息,对该补充后图像集合包含的道路图像对应的位姿数据进行优化,得到该补充后图像集合对应的优化后位姿数据;
根据所述各补充后图像集合对应的优化后位姿数据,构建定位地图。
2.如权利要求1所述的方法,其特征在于,根据所述道路图像对应的图像关联信息,将所述道路图像进行排序,得到所述道路图像对应的道路图像序列,具体包括:
按照所述指定采集设备采集所述道路图像所基于的采集时间的时间先后顺序,将所述道路图像进行排序,得到道路图像序列。
3.如权利要求1所述的方法,其特征在于,将所述道路图像序列进行划分,得到各道路图像集合,具体包括:
将所述道路图像序列中设定数目的连续道路图像划分为一个道路图像集合,不同道路图像集合中包含的道路图像均不相同。
4.如权利要求1所述的方法,其特征在于,针对每个道路图像集合,根据该道路图像集合中包含的道路图像所对应的图像关联信息,确定该道路图像集合所对应的补偿图像,具体包括:
针对该道路图像集合中包含的每个道路图像,从其他道路图像集合中确定出与该道路图像对应的采集位置不超过设定距离的道路图像,作为该道路图像所对应的候选补偿图像;
根据该道路图像集合中包含的各道路图像对应的候选补偿图像,确定该道路图像集合所对应的补偿图像。
5.如权利要求4所述的方法,其特征在于,根据该道路图像集合中包含的各道路图像对应的候选补偿图像,确定该道路图像集合所对应的补偿图像,具体包括:
确定该候选补偿图像与该道路图像之间的图像相似度;
若所述图像相似度不小于设定相似度,将该道路图像对应的候选补偿图像,作为该道路图像集合对应的补偿图像。
6.如权利要求5所述的方法,其特征在于,通过所述补偿图像对该道路图像集合进行图像补充,得到补充后图像集合,具体包括:
通过该道路图像集合中包含的各道路图像对应的补偿图像对该道路图像集合进行图像补充,得到待处理图像集合;
将所述待处理图像集合中重复的道路图像去除,得到补充后图像集合。
7.如权利要求1所述的方法,其特征在于,根据所述各补充后图像集合对应的优化后位姿数据,构建定位地图,具体包括:
以所述各补充后图像集合中包含的相同道路图像所对应的位姿数据相同作为约束条件,对所述各补充后图像集合对应的优化后位姿数据进行整合,得到整合后位姿数据;
根据所述整合后位姿数据以及所述各补充后图像集合,构建定位地图。
8.一种无人驾驶设备的定位方法,其特征在于,包括:
无人驾驶设备采集当前时刻所处道路的环境图像,并确定采集所述环境图像所基于的地理位置,作为基础地理位置;
根据所述基础地理位置,确定与所述基础地理位置相匹配的地理区域;
根据针对所述地理区域所对应的定位地图以及所述环境图像,确定所述无人驾驶设备当前时刻所处的实际地理位置,其中,所述地理区域所对应的定位地图是通过权利要求1~7任一项方法进行构建的。
9.一种定位地图的构建装置,其特征在于,包括:
获取模块,用于获取道路图像,以及所述道路图像对应的图像关联信息,所述图像关联信息包括:所述道路图像对应的采集时间以及采集位置;
排序模块,用于根据所述道路图像对应的图像关联信息,将所述道路图像进行排序,得到所述道路图像对应的道路图像序列;
划分模块,用于将所述道路图像序列进行划分,得到各道路图像集合;
补充模块,用于针对每个道路图像集合,根据该道路图像集合中包含的道路图像所对应的图像关联信息,确定该道路图像集合所对应的补偿图像,并通过所述补偿图像对该道路图像集合进行图像补充,得到补充后图像集合;
位姿优化模块,用于针对每个补充后图像集合,根据该补充后图像集合包含的道路图像对应的图像关联信息,对该补充后图像集合包含的道路图像对应的位姿数据进行优化,得到该补充后图像集合对应的优化后位姿数据;
地图构建模块,用于根据所述各补充后图像集合对应的优化后位姿数据,构建定位地图。
10.一种无人驾驶设备的定位装置,其特征在于,包括:
采集模块,用于采集当前时刻所处道路的环境图像,并确定采集所述环境图像所基于的地理位置,作为基础地理位置;
匹配模块,用于根据所述基础地理位置,确定与所述基础地理位置相匹配的地理区域;
定位模块,用于根据针对所述地理区域所对应的定位地图以及所述环境图像,确定所述装置当前时刻所处的实际地理位置,其中,所述地理区域所对应的定位地图是通过权利要求1~7任一项方法进行构建的。
11.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~7或8任一项所述的方法。
12.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~7或8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010543585.7A CN111798536B (zh) | 2020-06-15 | 2020-06-15 | 一种定位地图的构建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010543585.7A CN111798536B (zh) | 2020-06-15 | 2020-06-15 | 一种定位地图的构建方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111798536A true CN111798536A (zh) | 2020-10-20 |
CN111798536B CN111798536B (zh) | 2024-03-22 |
Family
ID=72803385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010543585.7A Active CN111798536B (zh) | 2020-06-15 | 2020-06-15 | 一种定位地图的构建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798536B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150092048A1 (en) * | 2013-09-27 | 2015-04-02 | Qualcomm Incorporated | Off-Target Tracking Using Feature Aiding in the Context of Inertial Navigation |
US20150098615A1 (en) * | 2013-10-04 | 2015-04-09 | Qualcomm Incorporated | Dynamic extension of map data for object detection and tracking |
CN107719233A (zh) * | 2016-08-10 | 2018-02-23 | 豪威科技股份有限公司 | 车道偏离警告系统和与其相关联的方法 |
CN108072373A (zh) * | 2016-11-07 | 2018-05-25 | 福特全球技术公司 | 使用激光扫描图像构造地图数据 |
CN108564657A (zh) * | 2017-12-28 | 2018-09-21 | 达闼科技(北京)有限公司 | 一种基于云端的地图构建方法、电子设备和可读存储介质 |
CN111133336A (zh) * | 2017-09-04 | 2020-05-08 | 联邦科学工业研究组织 | 用于执行定位的方法和系统 |
CN111127524A (zh) * | 2018-10-31 | 2020-05-08 | 华为技术有限公司 | 一种轨迹跟踪与三维重建方法、系统及装置 |
-
2020
- 2020-06-15 CN CN202010543585.7A patent/CN111798536B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150092048A1 (en) * | 2013-09-27 | 2015-04-02 | Qualcomm Incorporated | Off-Target Tracking Using Feature Aiding in the Context of Inertial Navigation |
CN105556329A (zh) * | 2013-09-27 | 2016-05-04 | 高通股份有限公司 | 混合照片导航及地图绘制 |
US20150098615A1 (en) * | 2013-10-04 | 2015-04-09 | Qualcomm Incorporated | Dynamic extension of map data for object detection and tracking |
CN107719233A (zh) * | 2016-08-10 | 2018-02-23 | 豪威科技股份有限公司 | 车道偏离警告系统和与其相关联的方法 |
CN108072373A (zh) * | 2016-11-07 | 2018-05-25 | 福特全球技术公司 | 使用激光扫描图像构造地图数据 |
CN111133336A (zh) * | 2017-09-04 | 2020-05-08 | 联邦科学工业研究组织 | 用于执行定位的方法和系统 |
CN108564657A (zh) * | 2017-12-28 | 2018-09-21 | 达闼科技(北京)有限公司 | 一种基于云端的地图构建方法、电子设备和可读存储介质 |
CN111127524A (zh) * | 2018-10-31 | 2020-05-08 | 华为技术有限公司 | 一种轨迹跟踪与三维重建方法、系统及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111798536B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111882611B (zh) | 一种地图构建方法及装置 | |
CN111508258B (zh) | 一种定位方法及装置 | |
CN110162089B (zh) | 一种无人驾驶的仿真方法及装置 | |
CN111238450B (zh) | 视觉定位方法及装置 | |
CN112001456B (zh) | 一种车辆定位方法、装置、存储介质及电子设备 | |
CN111311709A (zh) | 一种生成高精地图的方法及装置 | |
CN110660103B (zh) | 一种无人车定位方法及装置 | |
CN114295119B (zh) | 一种构建地图的方法及装置 | |
CN111062372A (zh) | 一种预测障碍物轨迹的方法及装置 | |
CN111797711A (zh) | 一种模型训练的方法及装置 | |
CN112327864A (zh) | 一种无人驾驶设备的控制方法及控制装置 | |
CN111288971A (zh) | 一种视觉定位方法及装置 | |
CN112013853A (zh) | 一种对无人驾驶设备的轨迹点验证的方法及装置 | |
CN113674424B (zh) | 一种电子地图绘制的方法及装置 | |
CN112990099B (zh) | 一种车道线检测的方法以及装置 | |
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN112818968A (zh) | 一种目标物分类方法及装置 | |
CN112712009A (zh) | 一种障碍物检测的方法及装置 | |
CN111797722A (zh) | 车道线绘制的方法及装置 | |
CN112734851B (zh) | 一种位姿确定的方法以及装置 | |
CN111242106A (zh) | 一种面部图像的采集方法、装置、设备及面部识别设备 | |
CN111798536B (zh) | 一种定位地图的构建方法及装置 | |
CN113887351B (zh) | 一种用于无人驾驶的障碍物检测方法及障碍物检测装置 | |
CN112734810B (zh) | 一种障碍物追踪方法及装置 | |
CN115018866A (zh) | 一种边界确定方法、装置、存储介质及电子设备 |
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 |