CN112101120A - 基于自动驾驶应用场景的地图模型及其应用方法 - Google Patents
基于自动驾驶应用场景的地图模型及其应用方法 Download PDFInfo
- Publication number
- CN112101120A CN112101120A CN202010834122.6A CN202010834122A CN112101120A CN 112101120 A CN112101120 A CN 112101120A CN 202010834122 A CN202010834122 A CN 202010834122A CN 112101120 A CN112101120 A CN 112101120A
- Authority
- CN
- China
- Prior art keywords
- road
- model
- vehicle
- automatic driving
- element layer
- 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 31
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims description 26
- 238000005303 weighing Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000035484 reaction time Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 28
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3667—Display of a road map
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于自动驾驶应用场景的地图模型及其应用方法,其中模型包括地理点云、网络模型、道路模型、交通模型以及自动驾驶行为模型;地理点云包括环境要素层、道路要素层以及边界要素层,网络模型包括公用网络模型和自组网络模型,道路模型包括数学要素层、地理要素层、辅助要素层和地理编码,交通模型包括动态交通模型和静态交通模型;自动驾驶行为模型包括货车自动驾驶行为模型、客车自动驾驶行为模型、轿车自动驾驶行为模型和专用车自动驾驶行为模型。本发明致力将交通规则嵌入到智能驾驶中,使地图模型与自动驾驶车辆行驶深度融合,实现地图模型控制自动驾驶车辆。
Description
技术领域:
本发明涉及自动驾驶地图模型及其应用方法,尤其涉及一种基于自动驾驶应用场景的地图模型及其应用方法。
背景技术:
随着大数据时代的到来,人们的生产生活对交通运输的运行效率和基础功能要求越来越高,在这种时代背景下,依托于人工智能和各种监控装置及遥感技术的自动驾驶备受关注。然而目前主流的技术手段多是依附于传感器、雷达、摄像头等车辆装置本身的感知功能。例如,自动驾驶泊车,自动驾驶特定公路上行驶等其他单车智能技术;或专注于打造更高精度和呈现效果更好的地图,例如,图层制作、场景地图渲染等等。这些过度依赖车辆的或感知系统地图的方法,没有实现真正的数据深度融合,从安全的角度和生产效率的角度还不能满足人们的要求。怎样使自动驾驶车辆的行驶不仅依附于自身的感知系统,而是与地图与交通规则很好的融合,实现更高程度的人工智能和自动化是当前研究的关键所在。
发明内容:
本发明是为了解决上述现有技术存在的问题而提供一种基于自动驾驶应用场景的地图模型及其应用方法,致力将交通规则嵌入到智能驾驶中,使地图模型与自动驾驶车辆行驶深度融合,实现地图模型控制自动驾驶车辆,自动驾驶车辆通过自动驾驶系统与地图交互,减少自动驾驶对感知设备和天气的依赖,将地图模型中的地理编码与实际行驶和生产相结合,计算耗能和时间成本,以此规划自动驾驶行为,实现更安全,更高效,自动化程度更高基于自动驾驶应用场景的地图模型。
本发明采用如下技术方案:一种基于自动驾驶应用场景的地图模型,包括地理点云、网络模型、道路模型、交通模型以及自动驾驶行为模型;
所述地理点云包括环境要素层、道路要素层以及边界要素层,环境要素层包括环境类型和图层优化,环境类型根据点云特征点进行分类,图层优化采用SLAM优化方法,所述道路要素层包括道路分割和道路识别,道路分割采用RANSAC线面提取道路线面以提取道路区域和路面,道路识别在道路分割基础上用Hausdorff距离进行深度识别,所述边界要素层包括边界配准、边界变化监测和边界参数,所述边界配准采用ICP点云配准,边界变化监测采用八叉树算法和提取技术结合,边界参数包括法线方向和曲率;
所述网络模型包括公用网络模型和自组网络模型,公用网络模型包括运营商输出、基站、信号类型、方向、信号强度、覆盖范围以及带宽参数;
所述道路模型包括数学要素层、地理要素层、辅助要素层和地理编码,数学要素层包括道路宽度、道路线性参数、道路高程以及道路交汇点,地理要素层包括路面介质、路面边界可信度、道路通行能力、路面平整性以及路面破损面,辅助要素层包括路端监测区、路端监测信号覆盖范围、边缘监测权重以及地理编码,由测量和以及点云数据处理结果和系统自动生成,所述地理编码包括区域位置信息、交通行为策略和传递/交互方式;
所述交通模型包括动态交通模型和静态交通模型;
所述自动驾驶行为模型包括货车自动驾驶行为模型、客车自动驾驶行为模型、轿车自动驾驶行为模型和专用车自动驾驶行为模型。
进一步地,所述动态交通模型包括限速、单向、双向、右转、左转、直行、排队、最小车距、最大转弯速度、最小转弯半径、最大转弯半径;靠左行驶、靠右行驶、中间线行驶;重车优先、空车优先、空车让行、重车让行、等待信号通行;禁止避障、禁止超车、禁止停靠、禁止左转、禁止右转、禁止重车、禁止会车交通规则。
进一步地,所述静态交通模型包括等待区、应急停靠区、调头区、人工接管区、远程接管区、近场接管区。
本发明还采用如下技术方案:一种基于自动驾驶应用场景的地图模型的应用方法,步骤如下:
步骤一:基于点云数据,结合影像处理方法,通过坐标系的转换,用GWS84提供的地图投影机制将地图投影到Frenet坐标系下,提取道路标识,获取车辆行驶的车道线边缘信息以及不同作业区的边缘信息;
步骤二:基于Open Drive方法计算道路参考线,在模型中测量后输入道路宽度,由道路参考线和几何位置计算出道路线性参数,数据处理和测量后在模型中输入道路高程,实际测量后在模型中输入道路交汇点;
步骤三:根据下述公式确定公式修正系数:
N=3600/t0=3600/l0(v/3.6)=1000v/l0(辆/h),l0=lf+lz+la+lc;
其中v代表车辆行驶速度(km/h),t0为最小时距(s),l0为车头最小间隔(m),lc是车辆平均长度,la为车辆间的安全距离(m),lz代表车辆的制动距离(m),lf是司机在反应时间内车辆行驶的距离;
步骤四:路端监测区由测量和以及点云数据处理结果和系统自动生成,路端监测信号覆盖范围规定自动驾驶车辆行驶边界,自动驾驶车辆在信号覆盖范围内行驶,超出边界则启动应急管理系统,边缘监测权重用0或1表示,0代表自动驾驶车参考,1代表自动驾驶车必须加入决策。
进一步地,步骤二中道路参考线的计算方法是基于Open Drive的方法,将地图投影到Frenet坐标系下,以车辆自身为原点,坐标轴相互垂直,分为沿着参考线的方向和参考线的法向,根据参考线的几何形状和位置,就能确定参考线的左、右车道线,通过测量和计算,得到道路宽度、道路线性参数以及道路交汇点,根据点云数据的处理得到道路高程。
进一步地,编制区域交通geocode地理围栏标准,基于各个地物类型和路网的物理位置和几何状态,交通模型需要设置符合实际需求的交通规则。
进一步地,道路模型与“道路”以外任意子类型重叠时,系统应该将两个模型的交通模型的并集发送给车辆。
进一步地,车辆行驶至等待线停车等待云端系统指令后前行,云端判断称重区无车辆时,向处于等待线的车辆发送行车指令,车辆完全驶入称重区后停车等待x秒后前行,其中x为称重区的称重时间。
本发明具有如下有益效果:
(1)实现自动驾驶L4级以上的自动驾驶系统,地图模型嵌入交通规制,进行数据的深度融合,使自动驾驶与现实生产生活要求相契合,实现交通执法基础,网络模型、道路模型、交通模型和自动驾驶行为模型交互,使数据更加准确,调用和规划更加灵活,为数字化社会奠定基础。
(2)可以根据需求场景的不同调整不同的方案,例如经过不同的地物类型,或自动驾驶车辆有不同的应用场景,自动驾驶地图系统相应调整不同的方案,利用交互功能从而调整车辆智驾系统,输出不同的车辆行为,能够应对不同的生产要求和行驶要求,更具针对性和高效性。
(3)将交通规则嵌入到地理编码中体现生产节拍,即体现出行驶区域内的耗能和耗时以及单位时间内对预定车辆行为的完成程度,将生产节拍与地图模型结合共同制定交通行为策略,规范和计划自动驾驶车辆行为,能够结合实际需求节约时间成本,减少耗能。
附图说明:
图1为本发明基于自动驾驶应用场景的地图模型示意图。
具体实施方式:
下面结合附图对本发明作进一步的说明。
本发明基于自动驾驶应用场景的地图模型包括地理点云、网络模型、道路模型、交通模型以及自动驾驶行为模型。
地理点云包括环境要素层、道路要素层以及边界要素层,环境要素层包括环境类型和图层优化,用于特征点提取和消除坐标误差,环境类型根据点云特征点进行分类,图层优化用SLAM优化方法。道路要素层包括道路分割和道路识别,分割和提取边界用于限定自动驾驶车辆行为,道路分割采用RANSAC线面提取道路线面提取道路区域和路面,道路识别在道路分割基础上用Hausdorff距离进行深度识别。边界要素层包括边界配准、边界变化监测和边界参数,为自动驾驶提供行为策略基础。边界配准采用ICP点云配准,边界变化监测采用八叉树算法和提取技术结合,边界参数包括法线方向和曲率。
网络模型包括公用网络模型和自组网络模型。公用网络模型包括运营商输出、基站、信号类型(4G/5G)、方向、信号强度、覆盖范围以及带宽等参数。自组网络模型设置备选方案,用于自组网的搭建和异常情况的应急处理。网络模型用于辅助地图规范车辆行驶路线和调动车辆,起到车与地图的链接作用,完成环境模型的创建、存储、运算、更新、版本管理、分发,以及自动驾驶车更新记录。
道路模型包括数学要素层、地理要素层、辅助要素层和地理编码,每个要素层相辅相成共同维持道路模型的完整性。数学要素层包括道路宽度、道路线性参数、道路高程以及道路交汇点。地理要素层包括路面介质、路面边界(左边界、有边界)可信度、道路通行能力、路面平整性、路面破损面积等,皆由测量和反复实验获得数据。辅助要素层包括路端监测区、路端监测信号覆盖范围、边缘监测权重以及地理编码,由测量和以及点云数据处理结果和系统自动生成。地理编码包括区域位置信息、交通行为策略和传递/交互方式,用于结合不同环境模型制定车辆行为策略,体现生产节拍(耗能,耗时)。
交通模型包括动态交通模型和静态交通模型。动态交通模型包括但不限于限速、单向、双向、右转、左转、直行、排队、最小车距、最大转弯速度、最小转弯半径、最大转弯半径;靠左行驶、靠右行驶、中间线行驶;重车优先、空车优先、空车让行、重车让行、等待信号通行;禁止避障、禁止超车、禁止停靠、禁止左转、禁止右转、禁止重车、禁止会车等交通规则;静态交通模型包括等待区、应急停靠区、调头区、人工接管区、远程接管区、近场接管区。编制区域交通geocode地理围栏标准,不同的geocode,标定不同的微观交通行为策略。基于各个地物类型和路网的物理位置和几何状态,交通模型需要设置符合实际需求的交通规则,需求场景不同,交通模型的设置方式不同,交通模型定义了地图的逻辑拓扑关系即道路与道路,道路与不同应用场景在交通规则限定下的连通关系。
模型叠加规则:会车区、称重区、路障必须叠加在道路上;会车区、称重区、路障不能互相重叠;道路不能互相重叠。
两个模型(一个道路模型与一个x模型,x为“道路”以外任意子类型)重叠时,系统应该将两个模型的交通模型的并集发送给车辆;如果,两个模型的交通模型相互矛盾,则以道路模型的交通模型为准。
会车区:等待线为会车前缓冲区与会车前等待区相邻的边线。车辆行驶至等待线停车等待云端系统指令后前行。
云端向处于两端等待线的车辆发送行车指令的规则:“满载”车辆多的一端先行;“满载”车辆同样多时,车少的一端先行;每放行一辆车后重新更新算法。
称重区:等待线为称重前的等待区与称重区相邻的边线;车辆行驶至等待线停车等待云端系统指令后前行;云端判断称重区无车辆时,向处于等待线的车辆发送行车指令;车辆完全驶入称重区后停车等待x秒后前行(x为称重区的称重时间)。
自动驾驶行为模型包括货车自动驾驶行为模型(空车和重车)、客车自动驾驶行为模型、轿车自动驾驶行为模型和专用车自动驾驶行为模型。针对不同的车辆类型制定不同的交通驶行策略。
本发明基于自动驾驶应用场景的地图模型,实例的需求场景设定为自动驾驶矿卡。
自动驾驶矿卡应用地图模型的具体步骤如下:
基于点云数据,结合影像处理方法,通过坐标系的转换,用GWS84提供的地图投影机制将地图投影到Frenet坐标系下。提取道路标识:如“停车”、“路障”等,获取矿区车辆行驶的车道线等边缘信息;获取不同作业区的边缘信息,如:装载区(包括标准装载区、配矿装载区)、卸载区(包括标准卸载区、配矿卸载区)、充电/加油区、停车区、维保区等不同区域(根据框上作业要求)。地理点云包括环境要素层、道路要素层以及边界要素层。
道路模型包括数学要素层,地理要素层,辅助要素层以及地理编码。道路模型中三个要素层是地图模型的基础,为地图指导和规范自动驾驶做前提和铺垫,行驶的过程规范化和安全化的基本保障,要素层的确认,是要通过实验和实测以及科学的计算得到的。道路模型主要定义的地图的拓扑关系为物理拓扑关系,即不同地物类型和应用场景之间的拓扑关系,包括道路与道路,道路与不用应用场景之间的延伸关系。
数学要素层包括道路参考线,基于Open Drive方法计算;道路宽度,在模型中测量后输入;道路线性参数(纵向坡度值、横向坡度值、方位角),由道路参考线和几何位置计算;道路高程,数据处理和测量后在模型中输入;道路交汇点,实际测量后在模型中输入。
道路参考线的计算方法是基于Open Drive的方法,将地图投影到Frenet坐标系下,它以车辆自身为原点,坐标轴相互垂直,分为沿着参考线的方向和参考线的法向,针对于一个路面,先确定参考线,根据参考线的几何形状和位置,就能确定参考线的左、右车道线,不同的车道线有其不同的属性,道路和道路之间通过普通连接和Junction连接。通过测量和计算,得到道路宽度、道路线性参数以及道路交汇点,根据点云数据的处理得到道路高程。
地理要素层中路面介质,矿区道路断面形状复杂,线路坡度大,曲线半径小;路面边界(左边界、右边界)可信度,通过设置实验:空车行驶,车辆载重行驶多次矿区道路边界是否位移、位移量具体数值界定;道路通行能力,根据公式:N=3600/t0=3600/l0(v/3.6)=1000v/l0(辆/h);l0=lf+lz+la+lc.其中v代表车辆行驶速度(km/h),t0为最小时距(s),l0为车头最小间隔(m),lc是车辆平均长度,la为车辆间的安全距离(m),lz代表车辆的制动距离(m),lf是司机在反应时间内车辆行驶的距离。根据公式再结合矿区道路的交通状况,根据多次实验确定公式修正系数;路面平整性,根据国际平整度指数IRI算法,计算及更新路面平整性;路面破损用路面状况指数(PCI)进行评价。
辅助要素层中路端监测区由测量和以及点云数据处理结果和系统自动生成;路端监测信号覆盖范围规定自动驾驶车辆行驶边界,自动驾驶车辆在信号覆盖范围内行驶,超出边界则启动应急管理系统;边缘监测权重用0或1表示,0代表自动驾驶车参考,1代表自动驾驶车必须加入决策。比如路面破损变化、道路边界变化、障碍物驻留等为1)。
地理编码是环境模型内生成的每个地理作业区域有不同且唯一的编码,在矿区自动驾驶车矿卡作业中,分为运输道路、装载区(包括标准装载区、配矿装载区)、卸载区(包括标准卸载区、配矿卸载区)、充电/加油区、停车区、维保区,出口、入口,地理编码与模型区域对应,与交通模型中的规则要素对应。包括区域位置信息和交通行为策略,设置区域位置坐标,面积,相邻区域交通规则,根据真实数据制定自动驾驶车辆行为的标准、边界、具体行驶行为。区域内位置信息,包括位置坐标、面积,相邻区域交通规则;交通行为策略包括制定自动驾驶车辆行驶的标准、边界、具体行驶行为;传递/交互方式为系统生成,具有模型内唯一性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (8)
1.一种基于自动驾驶应用场景的地图模型,其特征在于:包括地理点云、网络模型、道路模型、交通模型以及自动驾驶行为模型;
所述地理点云包括环境要素层、道路要素层以及边界要素层,环境要素层包括环境类型和图层优化,环境类型根据点云特征点进行分类,图层优化采用SLAM优化方法,所述道路要素层包括道路分割和道路识别,道路分割采用RANSAC线面提取道路线面以提取道路区域和路面,道路识别在道路分割基础上用Hausdorff距离进行深度识别,所述边界要素层包括边界配准、边界变化监测和边界参数,所述边界配准采用ICP点云配准,边界变化监测采用八叉树算法和提取技术结合,边界参数包括法线方向和曲率;
所述网络模型包括公用网络模型和自组网络模型,公用网络模型包括运营商输出、基站、信号类型、方向、信号强度、覆盖范围以及带宽参数;
所述道路模型包括数学要素层、地理要素层、辅助要素层和地理编码,数学要素层包括道路宽度、道路线性参数、道路高程以及道路交汇点,地理要素层包括路面介质、路面边界可信度、道路通行能力、路面平整性以及路面破损面,辅助要素层包括路端监测区、路端监测信号覆盖范围、边缘监测权重以及地理编码,由测量和以及点云数据处理结果和系统自动生成,所述地理编码包括区域位置信息、交通行为策略和传递/交互方式;
所述交通模型包括动态交通模型和静态交通模型;
所述自动驾驶行为模型包括货车自动驾驶行为模型、客车自动驾驶行为模型、轿车自动驾驶行为模型和专用车自动驾驶行为模型。
2.如权利要求1所述的基于自动驾驶应用场景的地图模型,其特征在于:所述动态交通模型包括限速、单向、双向、右转、左转、直行、排队、最小车距、最大转弯速度、最小转弯半径、最大转弯半径;靠左行驶、靠右行驶、中间线行驶;重车优先、空车优先、空车让行、重车让行、等待信号通行;禁止避障、禁止超车、禁止停靠、禁止左转、禁止右转、禁止重车、禁止会车交通规则。
3.如权利要求2所述的基于自动驾驶应用场景的地图模型,其特征在于:所述静态交通模型包括等待区、应急停靠区、调头区、人工接管区、远程接管区、近场接管区。
4.一种基于自动驾驶应用场景的地图模型的应用方法,其特征在于:步骤如下:
步骤一:基于点云数据,结合影像处理方法,通过坐标系的转换,用GWS84提供的地图投影机制将地图投影到Frenet坐标系下,提取道路标识,获取车辆行驶的车道线边缘信息以及不同作业区的边缘信息;
步骤二:基于Open Drive方法计算道路参考线,在模型中测量后输入道路宽度,由道路参考线和几何位置计算出道路线性参数,数据处理和测量后在模型中输入道路高程,实际测量后在模型中输入道路交汇点;
步骤三:根据下述公式确定公式修正系数:
N=3600/t0=3600/l0(v/3.6)=1000v/l0(辆/h),l0=lf+lz+la+lc;
其中v代表车辆行驶速度(km/h),t0为最小时距(s),l0为车头最小间隔(m),lc是车辆平均长度,la为车辆间的安全距离(m),lz代表车辆的制动距离(m),lf是司机在反应时间内车辆行驶的距离;
步骤四:路端监测区由测量和以及点云数据处理结果和系统自动生成,路端监测信号覆盖范围规定自动驾驶车辆行驶边界,自动驾驶车辆在信号覆盖范围内行驶,超出边界则启动应急管理系统,边缘监测权重用0或1表示,0代表自动驾驶车参考,1代表自动驾驶车必须加入决策。
5.如权利要求4所述的基于自动驾驶应用场景的地图模型的应用方法,其特征在于:步骤二中道路参考线的计算方法是基于Open Drive的方法,将地图投影到Frenet坐标系下,以车辆自身为原点,坐标轴相互垂直,分为沿着参考线的方向和参考线的法向,根据参考线的几何形状和位置,就能确定参考线的左、右车道线,通过测量和计算,得到道路宽度、道路线性参数以及道路交汇点,根据点云数据的处理得到道路高程。
6.如权利要求5所述的基于自动驾驶应用场景的地图模型的应用方法,其特征在于:编制区域交通geocode地理围栏标准,基于各个地物类型和路网的物理位置和几何状态,交通模型需要设置符合实际需求的交通规则。
7.如权利要求6所述的基于自动驾驶应用场景的地图模型的应用方法,其特征在于:道路模型与“道路”以外任意子类型重叠时,系统应该将两个模型的交通模型的并集发送给车辆。
8.如权利要求7所述的基于自动驾驶应用场景的地图模型的应用方法,其特征在于:车辆行驶至等待线停车等待云端系统指令后前行,云端判断称重区无车辆时,向处于等待线的车辆发送行车指令,车辆完全驶入称重区后停车等待x秒后前行,其中x为称重区的称重时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010834122.6A CN112101120B (zh) | 2020-08-18 | 2020-08-18 | 基于自动驾驶应用场景的地图模型及其应用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010834122.6A CN112101120B (zh) | 2020-08-18 | 2020-08-18 | 基于自动驾驶应用场景的地图模型及其应用方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101120A true CN112101120A (zh) | 2020-12-18 |
CN112101120B CN112101120B (zh) | 2024-01-05 |
Family
ID=73753822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010834122.6A Active CN112101120B (zh) | 2020-08-18 | 2020-08-18 | 基于自动驾驶应用场景的地图模型及其应用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101120B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065685A (zh) * | 2021-03-01 | 2021-07-02 | 沃行科技(南京)有限公司 | 基于自动驾驶应用场景的高精地图交通规则模型及其实现方法 |
CN114820971A (zh) * | 2022-05-05 | 2022-07-29 | 吉林大学 | 一种描述复杂驾驶环境信息的图形化表达方法 |
CN115127564A (zh) * | 2022-06-29 | 2022-09-30 | 吉林大学 | 一种面向多层级自动驾驶导航系统的分层地图模型 |
CN115840404A (zh) * | 2022-12-21 | 2023-03-24 | 浙江大学 | 一种基于自动驾驶专用路网和数字孪生地图的云控自动驾驶系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916112A (zh) * | 2010-08-25 | 2010-12-15 | 颜小洋 | 室内场景内智能车模型的定位和控制系统及方法 |
CN102113888A (zh) * | 2010-01-04 | 2011-07-06 | 中国科学院心理研究所 | 一种基于模拟驾驶的心理负荷测量系统 |
CN102902310A (zh) * | 2004-03-01 | 2013-01-30 | 苹果公司 | 基于加速度计操作便携式设备的方法及装置 |
CN109556615A (zh) * | 2018-10-10 | 2019-04-02 | 吉林大学 | 基于自动驾驶的多传感器融合认知的驾驶地图生成方法 |
CN110083163A (zh) * | 2019-05-20 | 2019-08-02 | 三亚学院 | 一种用于自动驾驶汽车的5g c-v2x车路云协同感知方法及系统 |
CN111367292A (zh) * | 2020-03-20 | 2020-07-03 | 特路(北京)科技有限公司 | 自动驾驶汽车智能道路系统 |
-
2020
- 2020-08-18 CN CN202010834122.6A patent/CN112101120B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902310A (zh) * | 2004-03-01 | 2013-01-30 | 苹果公司 | 基于加速度计操作便携式设备的方法及装置 |
CN102113888A (zh) * | 2010-01-04 | 2011-07-06 | 中国科学院心理研究所 | 一种基于模拟驾驶的心理负荷测量系统 |
CN101916112A (zh) * | 2010-08-25 | 2010-12-15 | 颜小洋 | 室内场景内智能车模型的定位和控制系统及方法 |
CN109556615A (zh) * | 2018-10-10 | 2019-04-02 | 吉林大学 | 基于自动驾驶的多传感器融合认知的驾驶地图生成方法 |
CN110083163A (zh) * | 2019-05-20 | 2019-08-02 | 三亚学院 | 一种用于自动驾驶汽车的5g c-v2x车路云协同感知方法及系统 |
CN111367292A (zh) * | 2020-03-20 | 2020-07-03 | 特路(北京)科技有限公司 | 自动驾驶汽车智能道路系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065685A (zh) * | 2021-03-01 | 2021-07-02 | 沃行科技(南京)有限公司 | 基于自动驾驶应用场景的高精地图交通规则模型及其实现方法 |
CN113065685B (zh) * | 2021-03-01 | 2023-10-17 | 沃行科技(南京)有限公司 | 基于自动驾驶应用场景的高精地图交通规则模型及其实现方法 |
CN114820971A (zh) * | 2022-05-05 | 2022-07-29 | 吉林大学 | 一种描述复杂驾驶环境信息的图形化表达方法 |
CN115127564A (zh) * | 2022-06-29 | 2022-09-30 | 吉林大学 | 一种面向多层级自动驾驶导航系统的分层地图模型 |
CN115127564B (zh) * | 2022-06-29 | 2023-03-10 | 吉林大学 | 一种面向多层级自动驾驶导航系统的分层地图模型 |
CN115840404A (zh) * | 2022-12-21 | 2023-03-24 | 浙江大学 | 一种基于自动驾驶专用路网和数字孪生地图的云控自动驾驶系统 |
CN115840404B (zh) * | 2022-12-21 | 2023-11-03 | 浙江大学 | 一种基于自动驾驶专用路网和数字孪生地图的云控自动驾驶系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112101120B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101120A (zh) | 基于自动驾驶应用场景的地图模型及其应用方法 | |
US20210078562A1 (en) | Planning for unknown objects by an autonomous vehicle | |
WO2021136130A1 (zh) | 一种轨迹规划方法及装置 | |
US11400925B2 (en) | Planning for unknown objects by an autonomous vehicle | |
KR102454408B1 (ko) | 자율주행 차량을 위한 상대적인 아틀라스 및 그 생성 | |
CN110861650B (zh) | 车辆的路径规划方法、装置,车载设备和存储介质 | |
Schwesinger et al. | Automated valet parking and charging for e-mobility | |
CN108088456A (zh) | 一种具有时间一致性的无人驾驶车辆局部路径规划方法 | |
CN109520498B (zh) | 一种用于虚拟轨道车辆的虚拟道岔系统及方法 | |
US10234864B2 (en) | Planning for unknown objects by an autonomous vehicle | |
WO2021000800A1 (zh) | 道路可行驶区域推理方法及装置 | |
CN108922177A (zh) | 一种无人驾驶车辆通过交叉路口时速度控制系统及方法 | |
CN113792566B (zh) | 一种激光点云的处理方法及相关设备 | |
CN113916246A (zh) | 一种无人驾驶避障路径规划方法和系统 | |
WO2021102957A1 (zh) | 一种车道保持方法、车载设备和存储介质 | |
CN108680180A (zh) | 路况信息车辆导航系统及其导航方法 | |
CN109084798A (zh) | 网络下发带有道路属性的控制点的路径规划方法 | |
EP3822945B1 (en) | Driving environment information generation method, driving control method, driving environment information generation device | |
CN110807412B (zh) | 一种车辆激光定位的方法、车载设备和存储介质 | |
CN104897168A (zh) | 基于道路危险评估的智能车路径搜索方法及系统 | |
CN113375678B (zh) | 一种行车路径规划方法、管理服务器及停车管理系统 | |
CN110276973A (zh) | 一种路口交通规则自动识别方法 | |
CN114407900A (zh) | 一种车路协同自动驾驶功能分配系统及方法 | |
CN114255275A (zh) | 一种构建地图的方法及计算设备 | |
CN115840404B (zh) | 一种基于自动驾驶专用路网和数字孪生地图的云控自动驾驶系统 |
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 |