CN112580744B - 众包数据道路片段中同一车道线测量数据的优化融合方法 - Google Patents

众包数据道路片段中同一车道线测量数据的优化融合方法 Download PDF

Info

Publication number
CN112580744B
CN112580744B CN202011594181.7A CN202011594181A CN112580744B CN 112580744 B CN112580744 B CN 112580744B CN 202011594181 A CN202011594181 A CN 202011594181A CN 112580744 B CN112580744 B CN 112580744B
Authority
CN
China
Prior art keywords
line
point
fusion
loss
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011594181.7A
Other languages
English (en)
Other versions
CN112580744A (zh
Inventor
朱紫威
秦峰
王军
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 CN202011594181.7A priority Critical patent/CN112580744B/zh
Publication of CN112580744A publication Critical patent/CN112580744A/zh
Application granted granted Critical
Publication of CN112580744B publication Critical patent/CN112580744B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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

Abstract

本发明涉及一种众包数据道路片段中同一车道线测量数据的优化融合方法及装置，该方法包括：获取分类后的众包数据道路片段中车道边线数据，一个道路片段内标记为同类的点集P＝{Pi(xi,yi,zi,dxi,dyi,dzi)|i＝1,2,…,N}，其中xi,yi,zi为三维坐标位置，dxi,dyi,dzi为输入观测线在该点处的切线向量；确定融合自变量和因变量；确定融合输出的起始点Ps和终止点Pe位置；建立并求解与自变量和因变量相关的需最小化的损失函数Floss，得到优化结果；根据起始点Ps、终止点Pe以及所述优化结果输出融合线。实现了对分道路片段进行车道线分类的众包车道线形点数据的融合方法，利用了线点的切线向量及其本身的位置信息，得到了符合真实的车道线片段特征的融合结果。

Description

众包数据道路片段中同一车道线测量数据的优化融合方法
技术领域
本发明涉及自动驾驶领域，尤其涉及一种众包数据道路片段中同一车道线测量数据的优化融合方法。
背景技术
在高精度地图生产过程中，希望使用成本更低，可部署在一般的自动驾驶车上的众包采集设备进行道路中各个地图要素的采集，其中，车道边线或称车道线是规范车辆行驶区间的重要地图要素，也是众包采集车所采集到的主要地图要素之一，当使用众包车道线数据进行城区道路的车道线采集数据的融合时，执行了道路划分，道路片段划分、高程处理以及分片段分类和融合。
当得到了各个分段中的数据点的分类后，使用众包车道线数据进行城区道路的车道线采集数据的融合时，常规的形点拟合方法没有利用曲线上连续形点的切线方向信息，从而对较为分散的，且长度较短的区间内的曲线形点进行拟合时，常常得不到与真实输入线类似方向和位置的曲线。
发明内容
本发明针对现有技术中存在的技术问题，提供一种众包数据道路片段中同一车道线测量数据的优化融合方法，解决现有技术中问题。
本发明解决上述技术问题的技术方案如下：一种众包数据道路片段中同一车道线测量数据的优化融合方法，包括：
步骤1，获取分类后的众包数据道路片段中车道边线数据，一个道路片段内标记为同类的点集P＝{Pi(xi,yi,zi,dxi,dyi,dzi)|i＝1，2,…,N}，其中xi，yi，zi为三维坐标位置，dxi，dyi，dzi为输入观测线在该点处的切线向量；
步骤2，确定融合自变量和因变量；
步骤3，确定融合输出的起始点Ps和终止点Pe位置；
步骤4，建立并求解与自变量和因变量相关的需最小化的损失函数Floss，得到优化结果；
步骤5，根据起始点Ps、终止点Pe以及所述优化结果输出融合线。
一种众包数据道路片段中同一车道线测量数据的优化融合装置，包括：数据获取模块、自变量/因变量确定模块、起始终止位置确定模块、优化结果确定模块和融合线输出模块；
所述数据获取模块，用于获取分类后的众包数据道路片段中车道边线数据，一个道路片段内标记为同类的点集P＝{Pi(xi，yi,zi,dxi，dyi,dzi)|i＝1，2，…，N}，其中xi，yi，zi为三维坐标位置，dxi，dyi，dzi为输入观测线在该点处的切线向量；
所述自变量/因变量确定模块，用于确定融合自变量和因变量；
所述起始终止位置确定模块，用于确定融合输出的起始点Ps和终止点Pe位置；
所述优化结果确定模块，用于建立并求解与自变量和因变量相关的需最小化的损失函数Floss，得到优化结果；
所述融合线输出模块，用于根据起始点Ps、终止点Pe以及所述优化结果输出融合线。
本发明的有益效果是：实现了对分道路片段进行车道线分类的众包车道线形点数据的融合方法，利用了线点的切线向量及其本身的位置信息，得到了符合真实的车道线片段特征的融合结果。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述步骤2包括：
分别求所述点集P中所有点x坐标值的极差以及y坐标值的极差，以极差较小的那一个作为自变量，另一个为因变量；
若极差不小于d1，则执行后续步骤进行2D线拟合；
若极差小于d1，则不再执行后续步骤：
若自变量为x，则求对所有点的平均y值k1，得到直线y＝k1作为融合输出的2D线；
若自变量为Y，则求所有点的平均x值k2，得到直线x＝k2作为融合输出的2D线。
进一步，所述步骤3中得到起始点Ps(xs，ys，zs)及终止点Pe(xe，ye，ze)的过程包括：
对于分段无起始线和终止线输出的情况，确定所有点的最小外接矩形R，沿待拟合的线的方向，得到矩形的中心线的起点Ps和终点Pe，并将2D坐标离起点Ps和终点Pe最近的点的高程分别设置为点Ps，Pe的高程；
对于分段有起始线和终止线输出的情况，求所有线点位置及其方向向量形成的2D直线与起始线的交点Ps和终止线的交点Pe，并将交点Ps和交点Pe的高程坐标设置为起始线和终止线的高程坐标。
进一步，所述步骤4中，自变量为x，因变量为y时，所述损失函数Floss为：
Figure BDA0002869451380000031
其中，所有点自变量所组成的集合为{xi|i＝1，2，…，N}，所有点因变量组成的集合为{yi|i＝1，2，…，N}，方向向量的对应两个维度为{dxi|i＝1，2，…，N}，{dyi|i＝1，2，…，N}；
Figure BDA0002869451380000032
Figure BDA0002869451380000033
为待优化变量，
Figure BDA0002869451380000034
为正则参数，
Figure BDA0002869451380000035
表示向量的对应元素相乘组成新的向量。
进一步，所述步骤4得到优化结果的过程中还包括：建立损失函数Floss雅克比函数；
对一组待优化变量
Figure BDA0002869451380000041
需最小化的损失函数Floss，得到函数值的损失项向量为
Figure BDA0002869451380000042
导数值的损失项向量
Figure BDA0002869451380000043
则雅克比函数值为
Figure BDA0002869451380000044
其中
Figure BDA0002869451380000045
Figure BDA0002869451380000046
使用minimize函数中的BFGS方法求解所述损失函数Floss，并对应地输入所述雅克比函数，最终得到优化结果
Figure BDA0002869451380000047
进一步，所述步骤5包括：
步骤501，根据起始点Ps、终止点Pe以及所述优化结果输出2D融合线Lo2；
步骤502，对所述2D融合线Lo2进行高程处理后得到3D融合线Lo3。
进一步，所述步骤501包括：根据起始点Ps、终止点Pe以及给定的输出点数量n，通过起始点和终止点对应的自变量的起始值和终止值，均匀取n个值，然后将这n个值，将所述优化结果
Figure BDA0002869451380000048
代入到函数f(·)中，得到了2D融合线Lo2。
进一步，所述步骤502包括：
对所述2D融合线Lo2进行截断或延伸处理后，分别使所述起始点Ps高程为分段起始线的平均高程，所述终止点Pe高程为分段终止线的平均高程，并从两个高程中线性均匀取n-2个值作为所述2D融合线Lo2中除起始点Ps与终止点Pe以外的其余点的高程值，得到3D融合线Lo3。
采用上述进一步方案的有益效果是:考虑形点的位置及其切线方向，给出需要求解的优化问题，通过建立对形点位置及其所在位置观测曲线的导数所建立的优化问题，并使用成型的优化问题求解方法来求解最佳多项式拟合曲线，得到融合结果。
附图说明
图1为本发明实施例提供的一种众包数据道路片段中同一车道线测量数据的优化融合方法的流程图；
图2为本发明本发明实施例提供的一种众包数据道路片段中同一车道线测量数据的优化融合方法的实施例的流程图；
图3为本发明提供的一种众包数据道路片段中同一车道线测量数据的优化融合装置的实施例的结构框图；
图4为本发明实施例提供的一种电子设备的实体结构示意图。
附图中，各标号所代表的部件列表如下：
101、数据获取模块，102、自变量/因变量确定模块，103、起始终止位置确定模块，104、优化结果确定模块,105、融合线输出模块，201、处理器，202、通信接口，203、存储器，204、通信总线。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
为了得到输入的多条同一个车道线的多次观测线上形点的融合结果，避免直接对形点位置进行拟合带来的问题，本发明实施例提供了一种方法通过建立对形点位置及其所在位置观测曲线的导数所建立的优化问题，来求解最佳多项式拟合曲线的方法。
如图1所示为本发明实施例提供的一种众包数据道路片段中同一车道线测量数据的优化融合方法的流程图，由图1可知，该方法包括：
步骤1，获取分类后的众包数据道路片段中车道边线数据，一个道路片段内标记为同类的点集P＝{Pi(xi，yi，zi，dxi，dyi，dzi)|i＝1，2，…，N}，其中xi，yi，zi为三维坐标位置，dxi，dyi，dzi为输入观测线在该点处的切线向量，由形点位置坐标序列的中心差分近似。
步骤2，确定融合自变量和因变量。
步骤3，确定融合输出的起始点Ps和终止点Pe位置。
步骤4，建立并求解与自变量和因变量相关的需最小化的损失函数Floss，得到优化结果。
步骤5，根据起始点Ps、终止点Pe以及优化结果输出融合线。
本发明实施例提供的一种众包数据道路片段中同一车道线测量数据的优化融合方法，实现了对分道路片段进行车道线分类的众包车道线形点数据的融合方法，利用了线点的切线向量及其本身的位置信息，得到了符合真实的车道线片段特征的融合结果。
实施例1
本发明提供的实施例1为本发明提供的一种众包数据道路片段中同一车道线测量数据的优化融合方法的实施例，如图2所示为本发明提供的一种众包数据道路片段中同一车道线测量数据的优化融合方法的实施例的流程图，由图2可知，该实施例包括：
步骤1，获取分类后的众包数据道路片段中车道边线数据，一个道路片段内标记为同类的点集P＝{Pi(xi，yi，zi，dxi，dyi，dzi)|i＝1，2，…，N}，其中xi，yi，zi为三维坐标位置，dxi，dyi，dzi为输入观测线在该点处的切线向量。
步骤2，确定融合自变量和因变量。
优选的，步骤2包括：
分别求点集P中所有点x坐标值的极差以及y坐标值的极差，以极差较小的那一个作为自变量，另一个为因变量。
若极差不小于d1，则执行后续步骤进行2D线拟合。
若极差小于d1，则不再执行后续步骤：
若自变量为x，则求对所有点的平均y值k1，得到直线y＝k1作为融合输出的2D线。
若自变量为Y，则求所有点的平均x值k2，得到直线x＝k2作为融合输出的2D线，得到2D线后，再执行对高程进行拟合的步骤。
数据准备：假设融合自变量为x，因变量为y。所有点自变量所组成的集合为{xi|i＝1，2，…，N}，所有点因变量组成的集合为{yi|i＝1，2，…，N}，且方向向量的对应两个维度为{dxi|i＝1,2,…,N}，{dyi|i＝1,2,…,N}。
步骤3，确定融合输出的起始点Ps和终止点Pe位置。
优选的，步骤3中得到起始点Ps(xs,ys,zs)及终止点Pe(xe,ye,ze)的过程包括：
对于分段无起始线和终止线输出的情况，确定所有点的最小外接矩形R，沿待拟合的线的方向，得到矩形的中心线的起点Ps和终点Pe，并将2D坐标离起点Ps和终点Pe最近的点的高程分别设置为点Ps,Pe的高程。
对于分段有起始线和终止线输出的情况，求所有线点位置及其方向向量形成的2D直线与起始线的交点Ps和终止线的交点Pe，并将交点Ps和交点Pe的高程坐标设置为起始线和终止线的高程坐标。
步骤4，建立并求解与自变量和因变量相关的需最小化的损失函数Floss，得到优化结果。
优选的，自变量为x，因变量为y时，损失函数Floss为：
Figure BDA0002869451380000071
其中，所有点自变量所组成的集合为{xi|i＝1，2,…,N}，所有x值组成的向量为
Figure BDA0002869451380000072
所有点因变量组成的集合为{yi|i＝1,2,…,N}，所有y值组成的向量为
Figure BDA0002869451380000073
方向向量的对应两个维度为{dxi|i＝1,2,…,N}，{dyi|i＝1,2,…,N},对应的向量分别为
Figure BDA0002869451380000074
Figure BDA0002869451380000075
Figure BDA0002869451380000076
为待优化变量，
Figure BDA0002869451380000077
为正则参数,
Figure BDA0002869451380000078
表示向量的对应元素相乘组成新的向量。
进一步的，得到优化结果的过程中还包括：建立损失函数Floss雅克比函数。
对一组待优化变量
Figure BDA0002869451380000081
需最小化的损失函数Floss，得到函数值的损失项向量为
Figure BDA0002869451380000082
导数值的损失项向量
Figure BDA0002869451380000083
则雅克比函数值为
Figure BDA0002869451380000084
其中
Figure BDA0002869451380000085
Figure BDA0002869451380000086
使用scipy工具包中的minimize函数中的BFGS方法求解损失函数Floss，并对应地输入雅克比函数，最终得到优化结果
Figure BDA0002869451380000087
在求
Figure BDA0002869451380000088
的四个公式中，符号
Figure BDA0002869451380000089
表示对向量
Figure BDA00028694513800000810
中的所有元素进行求和。
步骤5，根据起始点Ps、终止点Pe以及优化结果输出融合线。
优选的，步骤501，根据起始点Ps、终止点Pe以及优化结果输出2D融合线Lo2。
具体的，步骤501包括：根据起始点Ps、终止点Pe以及给定的输出点数量n，通过起始点和终止点对应的自变量的起始值和终止值，均匀取n个值，然后将这n个值，将优化结果
Figure BDA00028694513800000811
代入到函数f(·)中，得到了2D融合线Lo2。
步骤502，对2D融合线Lo2进行高程处理后得到3D融合线Lo3。
具体的，步骤502包括：
对2D融合线Lo2进行截断或延伸处理后，分别使起始点Ps高程为分段起始线的平均高程，终止点Pe高程为分段终止线的平均高程，并从两个高程中线性均匀取n-2个值作为2D融合线Lo2中除起始点Ps与终止点Pe以外的其余点的高程值，得到3D融合线Lo3。
上述步骤2中，若极差不小于d1，则执行后续步骤3-步骤501进行2D线拟合；若极差小于d1，则不再执行后续步骤后续步骤3-步骤501，步骤2得到得到2D线后，再执行步骤502对高程进行拟合的步骤。
具体的，上述过程中包含了参数d1，参数n，参数
Figure BDA0002869451380000091
可分别取值为10，10，(10,10,10,10)，根据实际数据情况参数可进行调整。
应用于众包数据成图的基于视觉感知得到的道路片段的车道线数据进行道路片段划分，对道路片段进行分类后的每个单一分类的融合过程中，经过选定融合自变量过程选定需要进行融合的数据点的自变量以及因变量，数据准备过程规定了进行融合时的数据定义，确定输出起始点和终止点过程计算了输出线的起始位置和终止位置，建立需最小化的损失函数以及建立损失函数的雅克比函数过程构建了最小化问题，求解最小化问题过程对建立的最小化问题进行了求解并得到了输出线的方程，通过起始点和终止点坐标以及输出线方程经过计算融合输出过程得到了融合输出的形点坐标，并在高程处理过程中对所有形点赋予了高程值，参数选择部分则定义了计算过程中所用到的参数的参考值。
实施例2
本发明提供的实施例2为本发明提供的一种众包数据道路片段中同一车道线测量数据的优化融合装置的实施例，如图3所示为本发明提供的一种众包数据道路片段中同一车道线测量数据的优化融合装置的实施例的结构框图，由图3可知，该装置包括：数据获取模块101、自变量/因变量确定模块102、起始终止位置确定模块103、优化结果确定模块104和融合线输出模块105。
数据获取模块101，用于获取分类后的众包数据道路片段中车道边线数据，一个道路片段内标记为同类的点集P＝{Pi(xi，yi，zi，dxi，dyi，dzi)|i＝1，2，…，N}，其中xi,yi，zi为三维坐标位置，dxi，dyi,dzi为输入观测线在该点处的切线向量。
自变量/因变量确定模块102，用于确定融合自变量和因变量。
起始终止位置确定模块103，用于确定融合输出的起始点Ps和终止点Pe位置。
优化结果确定模块104，用于建立并求解与自变量和因变量相关的需最小化的损失函数Floss，得到优化结果。
融合线输出模块105，用于根据起始点Ps、终止点Pe以及优化结果输出融合线。
图4为本发明实施例提供的一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器201、通信接口202、存储器203和通信总线204，其中，处理器201，通信接口202，存储器203通过通信总线204完成相互间的通信。处理器201可以调用存储在存储器203上并可在处理器201上运行的计算机程序，以执行上述各实施例提供的众包数据道路片段中同一车道线测量数据的优化融合方法，例如包括：步骤1，获取分类后的众包数据道路片段中车道边线数据，一个道路片段内标记为同类的点集P＝{Pi(xi,yi,zi,dxi,dyi,dzi)|i＝1,2,…,N}，其中xi,yi,zi为三维坐标位置，dxi，dyi，dzi为输入观测线在该点处的切线向量；步骤2，确定融合自变量和因变量；步骤3，确定融合输出的起始点Ps和终止点Pe位置；步骤4，建立并求解与自变量和因变量相关的需最小化的损失函数Floss，得到优化结果；步骤5，根据起始点Ps、终止点Pe以及优化结果输出融合线。
本发明实施例还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以执行上述各实施例提供的众包数据道路片段中同一车道线测量数据的优化融合方法，例如包括：步骤1，获取分类后的众包数据道路片段中车道边线数据，一个道路片段内标记为同类的点集P＝{Pi(xi，yi，zi，dxi，dyi，dzi)|i＝1，2，…，N}，其中xi,yi,zi为三维坐标位置，dxi,dyi,dzi为输入观测线在该点处的切线向量；步骤2，确定融合自变量和因变量；步骤3，确定融合输出的起始点Ps和终止点Pe位置；步骤4，建立并求解与自变量和因变量相关的需最小化的损失函数Floss，得到优化结果；步骤5，根据起始点Ps、终止点Pe以及优化结果输出融合线。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种众包数据道路片段中同一车道线测量数据的优化融合方法，其特征在于，所述方法包括：
步骤1，获取分类后的众包数据道路片段中车道边线数据，一个道路片段内标记为同类的点集P＝{Pi(xi,yi,zi,dxi,dyi,dzi)|i＝1,2,…,N}，其中xi,yi,zi为三维坐标位置，dxi,dyi,dzi为输入观测线在该点处的切线向量；
步骤2，确定融合自变量和因变量；
步骤3，确定融合输出的起始点Ps和终止点Pe位置；
步骤4，建立并求解与自变量和因变量相关的需最小化的损失函数Floss，得到优化结果；
步骤5，根据起始点Ps、终止点Pe以及所述优化结果输出融合线；
所述步骤2包括：
分别求所述点集P中所有点x坐标值的极差以及y坐标值的极差，以极差较小的那一个作为自变量，另一个为因变量；
若极差不小于d1，则执行后续步骤进行2D线拟合；
若极差小于d1，则不再执行后续步骤：
若自变量为x，则求对所有点的平均y值k1，得到直线y＝k1作为融合输出的2D线；
若自变量为Y，则求所有点的平均x值k2，得到直线x＝k2作为融合输出的2D线；
所述步骤3中得到起始点Ps(xs,ys,zs)及终止点Pe(xe,ye,ze)的过程包括：
对于分段无起始线和终止线输出的情况，确定所有点的最小外接矩形R，沿待拟合的线的方向，得到矩形的中心线的起点Ps和终点Pe，并将2D坐标离起点Ps和终点Pe最近的点的高程分别设置为点Ps,Pe的高程；
对于分段有起始线和终止线输出的情况，求所有线点位置及其方向向量形成的2D直线与起始线的交点Ps和终止线的交点Pe，并将交点Ps和交点Pe的高程坐标设置为起始线和终止线的高程坐标；
所述步骤4中，自变量为x，因变量为y时，所述损失函数Floss为：
Figure FDA0003665845540000021
其中，所有点自变量所组成的集合为{xi|i＝1,2,…,N}，所有点因变量组成的集合为{yi|i＝1,2,…,N}，方向向量的对应两个维度为{dxi|i＝1,2,…,N}，{dyi|i＝1,2,…,N}；
Figure FDA0003665845540000022
Figure FDA0003665845540000023
Figure FDA0003665845540000024
为待优化变量，
Figure FDA0003665845540000025
为正则参数,
Figure FDA0003665845540000026
表示向量的对应元素相乘组成新的向量；
所述步骤4得到优化结果的过程中还包括：建立损失函数Floss雅克比函数；
对一组待优化变量
Figure FDA0003665845540000027
需最小化的损失函数Floss，得到函数值的损失项向量为
Figure FDA0003665845540000028
导数值的损失项向量
Figure FDA0003665845540000029
则雅克比函数值为
Figure FDA00036658455400000210
其中
Figure FDA00036658455400000211
Figure FDA00036658455400000212
使用minimize函数中的BFGS方法求解所述损失函数Floss，并对应地输入所述雅克比函数，最终得到优化结果
Figure FDA00036658455400000213
2.根据权利要求1所述的方法，其特征在于，所述步骤5包括：
步骤501，根据起始点Ps、终止点Pe以及所述优化结果输出2D融合线Lo2；
步骤502，对所述2D融合线Lo2进行高程处理后得到3D融合线Lo3。
3.根据权利要求2所述的方法，其特征在于，所述步骤501包括：根据起始点Ps、终止点Pe以及给定的输出点数量n，通过起始点和终止点对应的自变量的起始值和终止值，均匀取n个值，然后将这n个值，将所述优化结果
Figure FDA0003665845540000031
代入到函数f(·)中，得到了2D融合线Lo2。
4.根据权利要求2所述的方法，其特征在于，所述步骤502包括：
对所述2D融合线Lo2进行截断或延伸处理后，分别使所述起始点Ps高程为分段起始线的平均高程，所述终止点Pe高程为分段终止线的平均高程，并从两个高程中线性均匀取n-2个值作为所述2D融合线Lo2中除起始点Ps与终止点Pe以外的其余点的高程值，得到3D融合线Lo3。
5.一种众包数据道路片段中同一车道线测量数据的优化融合装置，其特征在于，所述装置包括：数据获取模块、自变量/因变量确定模块、起始终止位置确定模块、优化结果确定模块和融合线输出模块；
所述数据获取模块，用于获取分类后的众包数据道路片段中车道边线数据，一个道路片段内标记为同类的点集P＝{Pi(xi,yi,zi,dxi,dyi,dzi)|i＝1,2,…,N}，其中xi,yi,zi为三维坐标位置，dxi,dyi,dzi为输入观测线在该点处的切线向量；
所述自变量/因变量确定模块，用于确定融合自变量和因变量；
所述起始终止位置确定模块，用于确定融合输出的起始点Ps和终止点Pe位置；
所述优化结果确定模块，用于建立并求解与自变量和因变量相关的需最小化的损失函数Floss，得到优化结果；
所述融合线输出模块，用于根据起始点Ps、终止点Pe以及所述优化结果输出融合线；
所述自变量/因变量确定模块确定融合自变量和因变量的过程包括：
分别求所述点集P中所有点x坐标值的极差以及y坐标值的极差，以极差较小的那一个作为自变量，另一个为因变量；
若极差不小于d1，则执行后续步骤进行2D线拟合；
若极差小于d1，则不再执行后续步骤：
若自变量为x，则求对所有点的平均y值k1，得到直线y＝k1作为融合输出的2D线；
若自变量为Y，则求所有点的平均x值k2，得到直线x＝k2作为融合输出的2D线；
所述起始终止位置确定模块得到起始点Ps(xs,ys,zs)及终止点Pe(xe,ye,ze)的过程包括：
对于分段无起始线和终止线输出的情况，确定所有点的最小外接矩形R，沿待拟合的线的方向，得到矩形的中心线的起点Ps和终点Pe，并将2D坐标离起点Ps和终点Pe最近的点的高程分别设置为点Ps,Pe的高程；
对于分段有起始线和终止线输出的情况，求所有线点位置及其方向向量形成的2D直线与起始线的交点Ps和终止线的交点Pe，并将交点Ps和交点Pe的高程坐标设置为起始线和终止线的高程坐标；
所述优化结果确定模块得到优化结果的过程包括：自变量为x，因变量为y时，所述损失函数Floss为：
Figure FDA0003665845540000041
其中，所有点自变量所组成的集合为{xi|i＝1,2,…,N}，所有点因变量组成的集合为{yi|i＝1,2,…,N}，方向向量的对应两个维度为{dxi|i＝1,2,…,N}，{dyi|i＝1,2,…,N}；
Figure FDA0003665845540000042
Figure FDA0003665845540000043
为待优化变量，
Figure FDA0003665845540000044
为正则参数,
Figure FDA0003665845540000045
表示向量的对应元素相乘组成新的向量；
建立损失函数Floss雅克比函数；
对一组待优化变量
Figure FDA0003665845540000046
需最小化的损失函数Floss，得到函数值的损失项向量为
Figure FDA0003665845540000047
导数值的损失项向量
Figure FDA0003665845540000048
则雅克比函数值为
Figure FDA0003665845540000049
其中
Figure FDA00036658455400000410
Figure FDA0003665845540000051
使用minimize函数中的BFGS方法求解所述损失函数Floss，并对应地输入所述雅克比函数，最终得到优化结果
Figure FDA0003665845540000052
6.一种电子设备，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4任一项所述众包数据道路片段中同一车道线测量数据的优化融合方法的步骤。
CN202011594181.7A 2020-12-29 2020-12-29 众包数据道路片段中同一车道线测量数据的优化融合方法 Active CN112580744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011594181.7A CN112580744B (zh) 2020-12-29 2020-12-29 众包数据道路片段中同一车道线测量数据的优化融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011594181.7A CN112580744B (zh) 2020-12-29 2020-12-29 众包数据道路片段中同一车道线测量数据的优化融合方法

Publications (2)

Publication Number Publication Date
CN112580744A CN112580744A (zh) 2021-03-30
CN112580744B true CN112580744B (zh) 2022-07-29

Family

ID=75143960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011594181.7A Active CN112580744B (zh) 2020-12-29 2020-12-29 众包数据道路片段中同一车道线测量数据的优化融合方法

Country Status (1)

Country Link
CN (1) CN112580744B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487732B (zh) * 2021-04-21 2023-02-28 中国地质大学（武汉） 基于手机众包成像终端的室内地下应急场景三维建模方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222418A (zh) * 2019-12-24 2020-06-02 武汉中海庭数据技术有限公司 一种车道线的多道路片段的众包数据快速融合优化方法
CN111708856A (zh) * 2020-06-03 2020-09-25 武汉中海庭数据技术有限公司 一种基于强化学习的车道线的众包数据分段融合方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10796499B2 (en) * 2017-03-14 2020-10-06 Universidade De Coimbra Systems and methods for 3D registration of curves and surfaces using local differential information
US10528824B2 (en) * 2017-12-11 2020-01-07 GM Global Technology Operations LLC Artificial neural network for lane feature classification and localization
EP3671542A1 (en) * 2018-12-18 2020-06-24 Visteon Global Technologies, Inc. Method for multilane detection using a convolutional neural network

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222418A (zh) * 2019-12-24 2020-06-02 武汉中海庭数据技术有限公司 一种车道线的多道路片段的众包数据快速融合优化方法
CN111708856A (zh) * 2020-06-03 2020-09-25 武汉中海庭数据技术有限公司 一种基于强化学习的车道线的众包数据分段融合方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于车载LiDAR的道路边界检测;李会宾等;《测绘工程》;20181123(第12期);全文 *

Also Published As

Publication number Publication date
CN112580744A (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
US10627241B2 (en) Map-centric map matching method and apparatus
CN108279670B (zh) 用于调整点云数据采集轨迹的方法、设备以及计算机可读介质
CN110458772B (zh) 一种基于图像处理的点云滤波方法、装置和存储介质
CN106908052B (zh) 用于智能机器人的路径规划方法及装置
EP3859273B1 (en) Method for constructing driving coordinate system, and application thereof
CN111476242B (zh) 一种激光点云语义分割方法及装置
CN114051628B (zh) 一种确定目标对象点云集的方法及装置
CN112580744B (zh) 众包数据道路片段中同一车道线测量数据的优化融合方法
CN111047634A (zh) 场景深度的确定方法、装置、设备及存储介质
CN112336342A (zh) 手部关键点检测方法、装置及终端设备
CN111737637A (zh) 一种路径曲线的生成方法、装置、设备及存储介质
CN112598615A (zh) 障碍物检测方法、装置、电子设备和计算机可读介质
CN110717141B (zh) 一种车道线优化方法、装置及存储介质
CN114445473B (zh) 基于深度学习算子的立体匹配方法和系统
CN115900695A (zh) 一种应用于车辆的智能泊车车辆定位的方法
JPH0981734A (ja) 画像処理装置
CN115900697B (zh) 对象运动轨迹信息处理方法、电子设备以及自动驾驶车辆
CN115937479A (zh) 导航引导面处理方法、装置、电子设备及计算机程序产品
EP3842757B1 (en) Verification method and device for modeling route, unmanned vehicle, and storage medium
CN113390425B (zh) 地图数据处理方法、装置、设备和存储介质
CN113610860B (zh) 高精地图斑马线生成方法、装置及电子设备
CN109697742B (zh) 道路中线的生成方法、装置和计算机可读存储介质
Lipar et al. Estimation of road centerline curvature from raw GPS data
CN111156948A (zh) 用于3c玻璃面板检测的三维数据坐标校正方法及装置
US20110050694A1 (en) System and method for rendering hair image

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