CN111881232A - 一种红绿灯的语义关联车道获取方法和装置 - Google Patents

一种红绿灯的语义关联车道获取方法和装置 Download PDF

Info

Publication number
CN111881232A
CN111881232A CN202010577441.3A CN202010577441A CN111881232A CN 111881232 A CN111881232 A CN 111881232A CN 202010577441 A CN202010577441 A CN 202010577441A CN 111881232 A CN111881232 A CN 111881232A
Authority
CN
China
Prior art keywords
traffic light
information
observation
lane
correlation
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
CN202010577441.3A
Other languages
English (en)
Other versions
CN111881232B (zh
Inventor
王璇
陶靖琦
尹玉成
罗跃军
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.)
Heading Data Intelligence Co Ltd
Original Assignee
Heading Data Intelligence 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 Heading Data Intelligence Co Ltd filed Critical Heading Data Intelligence Co Ltd
Priority to CN202010577441.3A priority Critical patent/CN111881232B/zh
Publication of CN111881232A publication Critical patent/CN111881232A/zh
Application granted granted Critical
Publication of CN111881232B publication Critical patent/CN111881232B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种红绿灯的语义关联车道获取方法和装置，其中，方法包括：获取车端感知的多组红绿灯信息及其对应的观测信息，根据多个红绿灯信息进行红绿灯位置点的密度聚类。分析计算红绿灯与其对应的每一备选车道之间的相关性。最后，将与红绿灯的相关性大于预设相关性阈值的备选车道作为所述目标红绿灯的语义关联车道。本发明利用车端数据采集设备获取到多组红绿灯信息及其对应的观测信息。利用目标红绿灯与观测点的距离、红绿灯状态以及观测点时速来分析路口处红绿灯对于不同车道的控制关系，进而获得红绿灯的语义关联车道。实现自动化构建红绿灯与车道的语义关联关系，提高了语义关联的效率，也提升了数据准确度。

Description

一种红绿灯的语义关联车道获取方法和装置
技术领域
本发明实施例涉及智能交通众包大数据和自动驾驶领域领域，尤其涉及一种红绿灯的语义关联车道获取方法和装置。
背景技术
在车辆行驶过程中，红绿灯作为一种重要的交通设施，被自动驾驶地图数据所收录。为了方便自动驾驶车辆的规划控制模块在路口处快速获取当前所在车道的行驶状态与红绿灯之间受控信号关系，需要在地图中包含红绿灯与车道的语义关联关系。
传统生产过程中，由地图生产人员人工作业，根据道路交通法律法规、生活经验，对红绿灯与进入路口的车道进行语义关联。这种方式会消耗大量的人力资源完成制作生产，耗时较长，且数据质量的难以预估需要再次耗费人工进行质检。
在此，我们提出一种基于众包大数据的利用大量的车辆通过路口的高精度(厘米级)的行驶轨迹信息，及相应的红绿灯的状态信息，进行红绿灯与车道语义关联的自动构建方法与装置。
发明内容
本发明实施例提供一种红绿灯的语义关联车道获取方法和装置，用以解决现有技术中，由地图生产人员根据道路交通法律法规和生活经验人工对红绿灯与进入路口的车道进行语义关联，耗费人力资源，耗时较长，且数据质量的难以保证的问题。
第一方面，本发明实施例提供一种红绿灯的语义关联车道获取方法，包括：
S1，获取车端感知的多组红绿灯信息及其对应的观测信息；其中，红绿灯信息包括红绿灯位置和红绿灯状态，观测信息包括当前观测点的位置和车端在当前观测点的车速；
S2，根据所述多组红绿灯信息及其对应的观测信息，进行红绿灯位置的密度聚类，进而获得每个红绿灯对应的观测信息集合；
S3，将每个红绿灯对应的观测信息集合与自动驾驶地图数据进行叠加，获得每个红绿灯对应的各个观测点所在车道，作为红绿灯语义关联的备选车道；
S4，对于任一目标红绿灯，根据目标红绿灯与观测点的距离、红绿灯状态以及观测点时速，分析计算所述目标红绿灯与其对应的每一备选车道之间的相关性；
S5，将与目标红绿灯的相关性大于预设相关性阈值的备选车道作为所述目标红绿灯的语义关联车道。
进一步，在步骤S1之前，所述方法还包括：车端采集红绿灯信息及其对应的观测信息，并上传至云端。
进一步，所述车端采集红绿灯信息及其对应的观测信息，具体包括：
识别红绿灯，将红绿灯亮着的灯泡的中心点作为红绿灯位置，获取红绿灯位置；
根据红绿灯的灯泡颜色获取红绿灯状态；
获取当前观测点的观测信息；所述观测信息包括当前观测点的位置，以及当前车速。
进一步，在步骤S1之后，步骤S2之前，所述方法还包括：
在所述多组红绿灯信息及其对应的观测信息中，过滤红绿灯状态为“黄灯”时的红绿灯信息及其对应的观测信息。
进一步，所述S2具体包括：
根据车端感知的多个红绿灯位置，进行红绿灯位置的密度聚类；
根据密度聚类结果以及多组红绿灯信息及其对应的观测信息，获取同一位置的红绿灯对应的多个观测信息，进而获得每个红绿灯对应的观测信息集合。
进一步，所述S4具体包括：
对于任一目标红绿灯，根据目标红绿灯与其对应的各个观测点之间的距离，计算所述目标红绿灯与其对应的每一观测点之间的距离相关性：
Figure BDA0002551445980000031
其中，Y1为距离相关性；A为预先设置的观测有效距离；distance为红绿灯与观测点之间的距离；
根据目标红绿灯的状态及其对应的各个观测点的当前时速，计算所述目标红绿灯与其对应的每一观测点之间的速度相关性：
Figure BDA0002551445980000032
其中，Y2为速度相关性；B为城市道路的平均通行速度；speed为观测点的当前时速，当speed＞B时，speed的值取B；
根据所述距离相关性和速度相关性，获得所述目标红绿灯与其对应的每一观测点之间的相关性：Y＝α*Y1*Y2；其中，Y为相关性；α为预先设定的相关性权值；
根据标红绿灯与其对应的每一观测点之间的相关性，以及所述每一观测点在自动驾驶地图数据中对应的备选车道，获得所述目标红绿灯与其对应的每一备选车道之间的相关性。
进一步，在步骤S5之后，所述方法还包括：
将所述目标红绿灯的语义关联车道存储至所述自动驾驶地图数据中，并记录所述语义关联车道与目标红绿灯之间的相关性。
第二方面，本发明实施例提供一种红绿灯的语义关联车道获取装置，包括：
获取模块，用于获取车端感知的多组红绿灯信息及其对应的观测信息；其中，红绿灯信息包括红绿灯位置和红绿灯状态，观测信息包括当前观测点的位置和车端在当前观测点的车速；
聚类模块，用于根据所述多组红绿灯信息及其对应的观测信息，进行红绿灯位置的密度聚类，进而获得每个红绿灯对应的观测信息集合；
地图数据叠加模块，用于将每个红绿灯对应的观测信息集合与自动驾驶地图数据进行叠加，获得每个红绿灯对应的各个观测点所在车道，作为红绿灯语义关联的备选车道；
相关性计算模块，用于对于任一目标红绿灯，根据目标红绿灯与观测点的距离、红绿灯状态以及观测点时速，分析计算所述目标红绿灯与其对应的每一备选车道之间的相关性；
语义关联模块，用于将与目标红绿灯的相关性大于预设相关性阈值的备选车道作为所述目标红绿灯的语义关联车道。
第三方面，本发明实施例提供一种电子设备，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如本发明第一方面实施例所述红绿灯的语义关联车道获取方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明第一方面实施例所述红绿灯的语义关联车道获取方法的步骤。
本发明实施例提供的红绿灯的语义关联车道获取方法和装置，利用车端数据采集设备获取到多组红绿灯信息及其对应的观测信息。利用目标红绿灯与观测点的距离、红绿灯状态以及观测点时速来分析路口处红绿灯对于不同车道的控制关系，进而获得红绿灯的语义关联车道。本发明与现有技术相比存在以下有益效果：
1)感知要求较低：本方案中车端感知，只需要识别亮着的信号灯的位置，及其“红”“黄“绿”状态，并上传至云端，不需要识别具体的箭头方向信息。
2)全自动构建：本发明实现自动化构建红绿灯与车道的语义关联关系，与现有技术通过人工构建语义关联相比，节省了人力，提高了效率，并且提高了数据准确度。
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红绿灯的语义关联车道获取方法流程示意图；
图2为本发明实施例提供的红绿灯的语义关联车道获取装置的结构框图；
图3为本发明实施例提供的电子设备结构示意图。
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。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
目前，现有的红绿灯与车道语义关联方法，由地图生产人员人工作业，根据道路交通法律法规、生活经验，对红绿灯与进入路口的车道进行语义关联。这种方式会消耗大量的人力资源完成制作生产，耗时较长，且数据质量难以保证，需要再次耗费人工进行质检。
因此，本发明实施例提供一种红绿灯的语义关联车道获取方法，利用车端数据采集设备获取到的多组红绿灯信息及其对应的观测信息，利用目标红绿灯与观测点的距离、红绿灯状态以及观测点时速来分析路口处红绿灯对于不同车道的控制关系，进而获得红绿灯的语义关联车道。实现自动化构建红绿灯与车道的语义关联关系，提高了效率，也提升了数据准确度。解决了现有技术依赖人工作业，耗时耗力且数据质量难以保证的问题，以下将通过多个实施例进行展开说明和介绍。
图1为本发明实施例提供的红绿灯的语义关联车道获取方法流程示意图，如图1所示，该方法包括：
S1，获取车端感知的多组红绿灯信息及其对应的观测信息，其中，红绿灯信息包括红绿灯位置和红绿灯状态，观测信息包括当前观测点的位置和车端在当前观测点的车速。
在步骤S1之前，首先，车端在有效观测距离内识别红绿灯信息及其对应的观测信息，并上传至云端。此处，观测点是指车端采集数据时刻所在的位置。红绿灯状态是指红绿灯的颜色“红”“黄”“绿”。红绿灯包括箭头红绿灯和圆形红绿灯。作为一种可选的实施方式，车端可以每隔预设时段采集一组红绿灯信息及其对应的观测信息并上传至云端，或者，车端也可以每隔预设距离采集一组红绿灯信息及其对应的观测信息并上传至云端。
车端采集一组红绿灯信息及其对应的观测信息的步骤具体包括：首先，车端数据采集设备识别红绿灯，将红绿灯亮着的灯泡中心点作为红绿灯位置，获取红绿灯位置。接着，根据红绿灯亮着的灯泡的颜色获取红绿灯状态。同时，车端获取当前观测点的观测信息。本实施例中，车端是指众包车辆，本发明实施例中，车端代指多个众包车辆。并且，红绿灯信息及其对应的观测信息是根据众包车辆采集的众包数据获得的。其中，众包数据是指通过众包制图方式采集的路网数据，众包制图是采用大量的众包车辆进行高精地图基础数据采集，采用视觉模式(相机、摄像头)替代专业采集车的激光雷达进行数据采集。高精度地图需要为自动驾驶提供动态、实时的数据服务，比如动态交通信息、智慧红绿灯等交通设施信息、施工等临时或突发信息等，这部分动态数据更适合由众包制图模式来实现。
在多个众包车辆采集多组红绿灯信息及其对应的观测信息并上传至云端后，云端获取多个众包车辆采集的多组红绿灯信息及其对应的观测信息。
S2，根据所述多组红绿灯信息及其对应的观测信息，进行红绿灯位置的密度聚类，进而获得每个红绿灯对应的观测信息集合。
步骤S2具体可以包括：根据车端感知的多个红绿灯位置，进行红绿灯位置的密度聚类；根据密度聚类结果以及多组红绿灯信息及其对应的观测信息，获取同一位置的红绿灯对应的多个观测信息，进而获得每个红绿灯对应的观测信息集合。
本实施例将红绿灯亮着的灯泡中心点作为红绿灯位置，车端会在多个观测点采集同一红绿灯位置的数据。也就是说，同一个位置的红绿灯对应多个观测点。因此，本发明根据采集到的大量红绿灯位置，进行红绿灯位置的密度聚类，以获得多个观测点采集的同一位置的红绿灯。示例性的，本实施例通过DBSCAN(Density-Based Spatial ClusteringofApplications withNoise)聚类算法，进行红绿灯位置的密度聚类。接着，根据同一位置的红绿灯对应的多个观测信息，获得每个红绿灯对应的观测信息集合。
S3，将每个红绿灯对应的观测信息集合与自动驾驶地图数据进行叠加，获得每个红绿灯对应的各个观测点所在车道，作为红绿灯语义关联的备选车道。
具体地，自动驾驶地图数据包含车道信息。本实施例将每个红绿灯对应的观测信息集合与现有的自动驾驶地图数据进行叠加。即将各个观测点的位置定位在自动驾驶地图数据中的车道上。进而得到每个红绿灯对应的各个观测点所在车道，将这些车道作为红绿灯语义关联的备选车道。
S4，对于任一目标红绿灯，根据目标红绿灯与观测点的距离、红绿灯状态以及观测点时速，分析计算所述目标红绿灯与其对应的每一备选车道之间的相关性。
以经过S2密度聚类的任一目标红绿灯为分析对象，分析计算目标红绿灯与其每一备选车道的相关性。
S5，将与目标红绿灯的相关性大于预设相关性阈值的备选车道作为所述目标红绿灯的语义关联车道。
本实施例在计算目标红绿灯与其每一备选车道的相关性之后，将相关性大于预设相关性阈值的备选车道作为目标红绿灯的语义关联车道。优选的，预设相关性阈值为60％。可以理解的是，按照上述步骤S4～S5即可获得每一个红绿灯的语义关联车道。
进一步地，将目标红绿灯的语义关联车道存储至所述自动驾驶地图数据中，并记录所述语义关联车道与目标红绿灯之间的相关性。
本发明实施例提供的红绿灯的语义关联车道获取方法，利用车端数据采集设备获取到多组红绿灯信息及其对应的观测信息。利用目标红绿灯与观测点的距离、红绿灯状态以及观测点时速来分析路口处红绿灯对于不同车道的控制关系，进而获得红绿灯的语义关联车道。本发明与现有技术相比存在以下有益效果：
1)感知要求较低：本方案中车端感知，只需要识别亮着的信号灯的位置，及其“红”“黄”“绿”状态，并上传至云端，不需要识别具体的箭头方向信息。
2)全自动构建：本发明实现自动化构建红绿灯与车道的语义关联关系，与现有技术通过人工构建语义关联相比，节省了人力，提高了语义关联的效率，并且提高了数据准确度。
在上述实施例的基础上，在步骤S1之后，步骤S2之前，所述方法还包括：在所述多组红绿灯信息及其对应的观测信息中，过滤红绿灯状态为“黄灯”时的红绿灯信息及其对应的观测信息。
可以理解的是，由于黄灯对车辆的通行没有限制，也就是说黄灯与车道之间没有语义关联。因此本发明过滤红绿灯状态为“黄灯”时车端采集的红绿灯信息及其对应的观测信息。以减少后续的数据处理量。
在上述各实施例的基础上，步骤S4中，根据目标红绿灯与观测点的距离、红绿灯状态以及观测点时速，分析计算所述目标红绿灯与其对应的每一备选车道之间的相关性，具体包括：
对于任一目标红绿灯，根据目标红绿灯与其对应的各个观测点之间的距离，计算所述目标红绿灯与其对应的每一观测点之间的距离相关性：
Figure BDA0002551445980000091
其中，Y1为距离相关性；A为预先设置的观测有效距离；distance为红绿灯与观测点之间的距离；
根据目标红绿灯的状态及其对应的各个观测点的当前时速，计算所述目标红绿灯与其对应的每一观测点之间的速度相关性：
Figure BDA0002551445980000101
其中，Y2为速度相关性；B为城市道路的平均通行速度；speed为观测点的当前时速，示例性的，B取值为30km/h。当speed＞B时，speed的值取B。上式中的“绿灯状态”和“红灯状态”是指众包车辆在观测点采集数据时刻红绿灯的状态。
由上述距离相关性的公式可知，当红绿灯状态为红灯状态，且观测点时速大于B时，观测点与目标红绿灯的速度相关性为0；当红绿灯状态为绿灯状态，且观测点时速小于B时，观测点与目标红绿灯的速度相关性较低；当红绿灯状态为绿灯状态，且观测点时速大于B时，观测点与目标红绿灯的速度相关性为100％；
根据所述距离相关性和速度相关性，获得所述目标红绿灯与其对应的每一观测点之间的相关性：Y＝α*Y1*Y2；其中，Y为相关性；α为预先设定的相关性权值，α的值依据经验设定；
根据标红绿灯与其对应的每一观测点之间的相关性，以及所述每一观测点在自动驾驶地图数据中对应的备选车道，获得所述目标红绿灯与其对应的每一备选车道之间的相关性。
可以理解的是，对于每一个红绿灯，按照上述步骤均可获得红绿灯与其对应的每一备选车道之间的相关性。
图2为根据本发明实施例提供的红绿灯的语义关联车道获取装置的结构框图，参照图2，该装置包括：
获取模块201，用于获取车端感知的多组红绿灯信息及其对应的观测信息；其中，红绿灯信息包括红绿灯位置和红绿灯状态，观测信息包括当前观测点的位置和车端在当前观测点的车速；
聚类模块202，用于根据所述多组红绿灯信息及其对应的观测信息，进行红绿灯位置的密度聚类，进而获得每个红绿灯对应的观测信息集合；
地图数据叠加模块203，用于将每个红绿灯对应的观测信息集合与自动驾驶地图数据进行叠加，获得每个红绿灯对应的各个观测点所在车道，作为红绿灯语义关联的备选车道；
相关性计算模块204，用于对于任一目标红绿灯，根据目标红绿灯与观测点的距离、红绿灯状态以及观测点时速，分析计算所述目标红绿灯与其对应的每一备选车道之间的相关性；
语义关联模块205，用于将与目标红绿灯的相关性大于预设相关性阈值的备选车道作为所述目标红绿灯的语义关联车道。
具体地，本发明实施例提供的红绿灯的语义关联车道获取装置，具体用于执行上述方法实施例中的红绿灯的语义关联车道获取方法的步骤，由于上述实施例中已对红绿灯的语义关联车道获取方法进行详细介绍，此处不对红绿灯的语义关联车道获取装置各功能模块进行赘述。
本发明实施例提供的红绿灯的语义关联车道获取装置，利用车端数据采集设备获取到多组红绿灯信息及其对应的观测信息。利用目标红绿灯与观测点的距离、红绿灯状态以及观测点时速来分析路口处红绿灯对于不同车道的控制关系，进而获得红绿灯的语义关联车道。本发明与现有技术相比存在以下有益效果：1)感知要求较低：本方案中车端感知，只需要识别亮着的信号灯的位置，及其“红”“黄”“绿”状态，并上传至云端，不需要识别具体的箭头方向信息。2)全自动构建：本发明实现自动化构建红绿灯与车道的语义关联关系，与现有技术通过人工构建语义关联相比，节省了人力，提高了效率，并且提高了数据准确度。
图3示例了一种电子设备结构示意图，如图3所示，该服务器可以包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行如下红绿灯的语义关联车道获取方法：S1，获取车端感知的多组红绿灯信息及其对应的观测信息；其中，红绿灯信息包括红绿灯位置和红绿灯状态，观测信息包括当前观测点的位置和车端在当前观测点的车速；S2，根据所述多组红绿灯信息及其对应的观测信息，进行红绿灯位置的密度聚类，进而获得每个红绿灯对应的观测信息集合；S3，将每个红绿灯对应的观测信息集合与自动驾驶地图数据进行叠加，获得每个红绿灯对应的各个观测点所在车道，作为红绿灯语义关联的备选车道；S4，对于任一目标红绿灯，根据目标红绿灯与观测点的距离、红绿灯状态以及观测点时速，分析计算所述目标红绿灯与其对应的每一备选车道之间的相关性；S5，将与目标红绿灯的相关性大于预设相关性阈值的备选车道作为所述目标红绿灯的语义关联车道。
本实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上述各实施例中所述红绿灯的语义关联车道获取方法的步骤。例如包括：S1，获取车端感知的多组红绿灯信息及其对应的观测信息；其中，红绿灯信息包括红绿灯位置和红绿灯状态，观测信息包括当前观测点的位置和车端在当前观测点的车速；S2，根据所述多组红绿灯信息及其对应的观测信息，进行红绿灯位置的密度聚类，进而获得每个红绿灯对应的观测信息集合；S3，将每个红绿灯对应的观测信息集合与自动驾驶地图数据进行叠加，获得每个红绿灯对应的各个观测点所在车道，作为红绿灯语义关联的备选车道；S4，对于任一目标红绿灯，根据目标红绿灯与观测点的距离、红绿灯状态以及观测点时速，分析计算所述目标红绿灯与其对应的每一备选车道之间的相关性；S5，将与目标红绿灯的相关性大于预设相关性阈值的备选车道作为所述目标红绿灯的语义关联车道。
以上所描述的方法实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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各实施例技术方案的精神和范围。

Claims (10)

1.一种红绿灯的语义关联车道获取方法，其特征在于，包括：
S1，获取车端感知的多组红绿灯信息及其对应的观测信息；其中，红绿灯信息包括红绿灯位置和红绿灯状态，观测信息包括当前观测点的位置和车端在当前观测点的车速；
S2，根据所述多组红绿灯信息及其对应的观测信息，进行红绿灯位置的密度聚类，进而获得每个红绿灯对应的观测信息集合；
S3，将每个红绿灯对应的观测信息集合与自动驾驶地图数据进行叠加，获得每个红绿灯对应的各个观测点所在车道，作为红绿灯语义关联的备选车道；
S4，对于任一目标红绿灯，根据目标红绿灯与观测点的距离、红绿灯状态以及观测点时速，分析计算所述目标红绿灯与其对应的每一备选车道之间的相关性；
S5，将与目标红绿灯的相关性大于预设相关性阈值的备选车道作为所述目标红绿灯的语义关联车道。
2.根据权利要求1所述的方法，其特征在于，在步骤S1之前，所述方法还包括：
车端采集红绿灯信息及其对应的观测信息，并上传至云端。
3.根据权利要求2所述的方法，其特征在于，所述车端采集红绿灯信息及其对应的观测信息，具体包括：
识别红绿灯，将红绿灯亮着的灯泡的中心点作为红绿灯位置，获取红绿灯位置；
根据红绿灯的灯泡颜色获取红绿灯状态；
获取当前观测点的观测信息；所述观测信息包括当前观测点的位置，以及当前车速。
4.根据权利要求1所述的方法，其特征在于，在步骤S1之后，步骤S2之前，所述方法还包括：
在所述多组红绿灯信息及其对应的观测信息中，过滤红绿灯状态为“黄灯”时的红绿灯信息及其对应的观测信息。
5.根据权利要求1所述的方法，其特征在于，所述S2具体包括：
根据车端感知的多个红绿灯位置，进行红绿灯位置的密度聚类；
根据密度聚类结果以及多组红绿灯信息及其对应的观测信息，获取同一位置的红绿灯对应的多个观测信息，进而获得每个红绿灯对应的观测信息集合。
6.根据权利要求1所述的方法，其特征在于，所述S4具体包括：
对于任一目标红绿灯，根据目标红绿灯与其对应的各个观测点之间的距离，计算所述目标红绿灯与其对应的每一观测点之间的距离相关性：
Figure FDA0002551445970000021
其中，Y1为距离相关性；A为预先设置的观测有效距离；distance为红绿灯与观测点之间的距离；
根据目标红绿灯的状态及其对应的各个观测点的当前时速，计算所述目标红绿灯与其对应的每一观测点之间的速度相关性：
Figure FDA0002551445970000031
其中，Y2为速度相关性；B为城市道路的平均通行速度；speed为观测点的当前时速，当speed＞B时，speed的值取B；
根据所述距离相关性和速度相关性，获得所述目标红绿灯与其对应的每一观测点之间的相关性：Y＝α*Y1*Y2；其中，Y为相关性；α为预先设定的相关性权值；
根据标红绿灯与其对应的每一观测点之间的相关性，以及所述每一观测点在自动驾驶地图数据中对应的备选车道，获得所述目标红绿灯与其对应的每一备选车道之间的相关性。
7.根据权利要求1所述的方法，其特征在于，在步骤S5之后，所述方法还包括：
将所述目标红绿灯的语义关联车道存储至所述自动驾驶地图数据中，并记录所述语义关联车道与目标红绿灯之间的相关性。
8.一种红绿灯的语义关联车道获取装置，其特征在于，包括：
获取模块，用于获取车端感知的多组红绿灯信息及其对应的观测信息；其中，红绿灯信息包括红绿灯位置和红绿灯状态，观测信息包括当前观测点的位置和车端在当前观测点的车速；
聚类模块，用于根据所述多组红绿灯信息及其对应的观测信息，进行红绿灯位置的密度聚类，进而获得每个红绿灯对应的观测信息集合；
地图数据叠加模块，用于将每个红绿灯对应的观测信息集合与自动驾驶地图数据进行叠加，获得每个红绿灯对应的各个观测点所在车道，作为红绿灯语义关联的备选车道；
相关性计算模块，用于对于任一目标红绿灯，根据目标红绿灯与观测点的距离、红绿灯状态以及观测点时速，分析计算所述目标红绿灯与其对应的每一备选车道之间的相关性；
语义关联模块，用于将与目标红绿灯的相关性大于预设相关性阈值的备选车道作为所述目标红绿灯的语义关联车道。
9.一种电子设备，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如权利要求1至7任一项所述红绿灯的语义关联车道获取方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1～7任一项所述红绿灯的语义关联车道获取方法的步骤。
CN202010577441.3A 2020-06-22 2020-06-22 一种红绿灯的语义关联车道获取方法和装置 Active CN111881232B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010577441.3A CN111881232B (zh) 2020-06-22 2020-06-22 一种红绿灯的语义关联车道获取方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010577441.3A CN111881232B (zh) 2020-06-22 2020-06-22 一种红绿灯的语义关联车道获取方法和装置

Publications (2)

Publication Number Publication Date
CN111881232A true CN111881232A (zh) 2020-11-03
CN111881232B CN111881232B (zh) 2022-08-23

Family

ID=73157242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010577441.3A Active CN111881232B (zh) 2020-06-22 2020-06-22 一种红绿灯的语义关联车道获取方法和装置

Country Status (1)

Country Link
CN (1) CN111881232B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763731A (zh) * 2021-09-28 2021-12-07 苏州挚途科技有限公司 高精地图重建道路交叉口红绿灯信息的方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103489324A (zh) * 2013-09-22 2014-01-01 北京联合大学 一种基于无人驾驶的实时动态红绿灯检测识别方法
US10614325B1 (en) * 2018-05-24 2020-04-07 Connected Signals, Inc. Automatic detection of traffic signal states for driver safety system
CN111002984A (zh) * 2019-12-24 2020-04-14 北京汽车集团越野车有限公司 一种自动驾驶方法、装置、车辆及自动驾驶设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103489324A (zh) * 2013-09-22 2014-01-01 北京联合大学 一种基于无人驾驶的实时动态红绿灯检测识别方法
US10614325B1 (en) * 2018-05-24 2020-04-07 Connected Signals, Inc. Automatic detection of traffic signal states for driver safety system
CN111002984A (zh) * 2019-12-24 2020-04-14 北京汽车集团越野车有限公司 一种自动驾驶方法、装置、车辆及自动驾驶设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763731A (zh) * 2021-09-28 2021-12-07 苏州挚途科技有限公司 高精地图重建道路交叉口红绿灯信息的方法和系统
CN113763731B (zh) * 2021-09-28 2022-12-06 苏州挚途科技有限公司 高精地图重建道路交叉口红绿灯信息的方法和系统

Also Published As

Publication number Publication date
CN111881232B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
JP7351487B2 (ja) トポロジーマップに基づくインテリジェントナビゲーションの方法及びシステム
CN108959466B (zh) 基于bcs-dbscan的出租车载客热点可视化方法及系统
CN111680377B (zh) 一种交通态势仿真方法、系统和电子设备
CN112465395A (zh) 一种面向自动驾驶汽车的多维度综合评价方法及装置
CN110782120B (zh) 一种交通流模型的评测方法、系统、设备及介质
WO2019205020A1 (zh) 一种路况识别方法、装置及设备
CN106296814B (zh) 公路养护检测与可视化交互方法和系统
CN111458721B (zh) 一种暴露垃圾的识别定位方法、装置及系统
CN110562258A (zh) 一种车辆自动换道决策的方法、车载设备和存储介质
CN111681433A (zh) 一种交叉口交通信号灯配时优化方法和装置
CN102096072B (zh) 一种城市部件自动化测量方法
CN104732765A (zh) 基于卡口数据的城市道路饱和度实时监测方法
CN111209880A (zh) 车辆行为识别方法、装置
CN111295666A (zh) 一种车道线检测方法、装置、控制设备及存储介质
CN109903574A (zh) 路口交通信息的获取方法和装置
CN113313006A (zh) 基于无人机的城市违建监管方法、系统和存储介质
CN111881232B (zh) 一种红绿灯的语义关联车道获取方法和装置
CN116386336A (zh) 基于卡口车牌数据的路网交通流量鲁棒计算方法及系统
Zheng et al. A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images
CN112966334A (zh) 一种生成交通场景属性标签的方法、系统及装置
CN111696347A (zh) 一种自动化分析交通事件信息的方法和装置
CN110782662A (zh) 道路信号交叉口车辆通行时间估算方法
CN115985124B (zh) 车辆行驶的控制方法、装置、存储介质及电子装置
Rahman et al. Understanding real time traffic characteristics of urban zones using GPS data: A computational study on Dhaka City
Wang et al. Urban traffic optimal solution based on digital twin system technology simulation

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