CN112799393A - 一种面向泊车场景的地图简化系统 - Google Patents

一种面向泊车场景的地图简化系统 Download PDF

Info

Publication number
CN112799393A
CN112799393A CN202011402007.8A CN202011402007A CN112799393A CN 112799393 A CN112799393 A CN 112799393A CN 202011402007 A CN202011402007 A CN 202011402007A CN 112799393 A CN112799393 A CN 112799393A
Authority
CN
China
Prior art keywords
expansion
thiessen polygon
tunnel
point
algorithm
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
CN202011402007.8A
Other languages
English (en)
Other versions
CN112799393B (zh
Inventor
秦兆博
陈鑫
谢国涛
边有钢
徐彪
王晓伟
秦晓辉
秦洪懋
胡满江
梁旺
丁荣军
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.)
Hunan University
Original Assignee
Hunan University
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 Hunan University filed Critical Hunan University
Priority to CN202011402007.8A priority Critical patent/CN112799393B/zh
Publication of CN112799393A publication Critical patent/CN112799393A/zh
Application granted granted Critical
Publication of CN112799393B publication Critical patent/CN112799393B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • 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
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Automation & Control Theory (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种面向泊车场景的地图简化系统，包括：泰森多边形处理模块，基于泰森多边形算法，对环境进行预处理，获得泰森多边形节点；Ransec聚类分析模块，基于Ransec算法，对节点进行聚类分析，得到代表道路信息的线段；膨胀处理模块：对线段进行膨胀化处理，获得矩形安全隧道；Dijkstra隧道搜索模块：基于Dijkstra算法，对各个矩形安全隧道的中点进行搜索，挑选出适合轨迹规划起始点和目标点的矩形安全隧道。本发明的面向泊车场景的地图简化系统，通过对环境信息的处理，将复杂的环境信息转变为矩形安全隧道，以期简化环境。

Description

一种面向泊车场景的地图简化系统
技术领域
本发明涉及自动驾驶领域，特别是关于一种面向泊车场景的地图简化系统。
背景技术
近年来，自动驾驶技术的发展日益成熟，自动驾驶企业正尝试在自主泊车场景中推进自动驾驶技术的商业化落地。将复杂的停车场环境进行简化，可以降低轨迹规划层面的负担，提高整个自主泊车过程的鲁棒性。
自动驾驶面临的难题之一在于形状不规则的障碍物会增大轨迹规划的负担。目前已有对地图环境进行预处理的相关技术与专利。专利文件CN109131318A公布一种基于拓扑地图的自主泊车路径协调方法，所述地图中包含有道路主节点、停车位对应道路节点、各节点构建的邻接矩阵、车位信息。但该方法将原地图信息转换为多个道路节点，限制了车辆可行空间，降低了泊车过程的灵活性。专利文件CN110827572A公布一种用于代客泊车的路径规划方法及装置，将车道中心线当作车辆轨迹，进行路径规划。该方法虽然无需考虑规划过程中的避障要求，但将车辆轨迹的生成依赖于道路中心。对于难以确定道路中心的不规则停车场，该方法的适用性有待商榷。专利文件CN110597276A公布一种无人飞行器空中安全走廊路径的远程规划方法，将地形高程数据、地面设施高程数据、空管限飞区数据、重大活动密集人群地理信息从所述三维任务空间模型中剔除，确定所述空中安全隧道。然而，该方法无法利用已有走廊的信息。当起始点和目标点发生变化时，需重新规划一次安全隧道，此缺陷降低了规划过程的实时性。自动驾驶车辆在自主泊车场景主要以避障为主，需要简化停车场环境，降低规划任务中避障约束的复杂性。因此，设计一种面向泊车场景的环境简化方法和系统，通过泰森多边形和Ransec算法生成矩形安全隧道，以期提高自主泊车过程中的鲁棒性和高效性。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种面向泊车场境的环境简化系统，通过对环境信息的处理，将复杂的环境信息转变为矩形安全隧道，以期简化环境。
为实现上述目的，本发明提供了如下技术方案：一种面向泊车场景的地图简化系统，其特征在于：包括：
泰森多边形处理模块，基于泰森多边形算法，对环境进行预处理，获得泰森多边形节点；
Ransec聚类分析模块，基于Ransec算法，对节点进行聚类分析，得到代表道路信息的线段；
膨胀处理模块：对线段进行膨胀化处理，获得矩形安全隧道；
Dijkstra隧道搜索模块：基于Dijkstra算法，对各个矩形安全隧道的中点进行搜索，挑选出适合轨迹规划起始点和目标点的矩形安全隧道。
作为本发明的进一步改进，所述泰森多边形处理模块基于泰森多边形算法，对环境进行预处理，获得泰森多边形节点的具体步骤为：将各个点当作泰森多边形算法的输入，计算每两个点之间的中点，并将位于障碍物中的中点删去，最终得到的泰森多边形节点。
作为本发明的进一步改进，所述Ransec聚类分析模块对节点进行聚类分析的具体步骤如下：
步骤一，从泰森多边形节点[Pvor1，Pvor2...Pvori]中，随机选取3个点 (x1，y1)，(x2，y2)，(x3，y3)，用最小二乘法拟合出一条直线；
步骤二，对剩余的泰森多边形节点，计算节点与直线的距离，若距离小于阈值距离δRs，则将该点视为局内点，否则视为非局内点；
步骤三，若局内点的数量大于阈值数量NRs，则认为该直线模型合理，实行步骤四，否则认为该直线模型不合理，返回步骤一；
步骤四，将直线模型Li的局内点从泰森多边形节点[Pvor1，Pvor2...Pvori]中剔除，若剩余泰森多边形节点数量大于1，则返回步骤一，否则，结束Ransec聚类分析步骤。
作为本发明的进一步改进，所述步骤一中拟合出一条直线的具体步骤如下：
步骤一一，设直线表达式为f(x)＝ax+b；
步骤一二，计算总误差：
Figure RE-GDA0003013785040000031
步骤一三，根据多元微分求解
Figure RE-GDA0003013785040000033
对a和b的偏导，令其为0
Figure RE-GDA0003013785040000032
步骤一四，求出a和b，获得直线模型Li。
作为本发明的进一步改进，所述膨胀处理模块进行膨胀化处理的具体步骤如下：
步骤1，在四个方向上分别进行一次膨胀，膨胀宽度为δex；
步骤2，检测膨胀过后，矩形的边与每个障碍物点及边界点 [Pob1(xob1，yob1)，Pob2(xob2，yob2)...Pobi(xobi，yobi)]之间的距离，若存在距离小于安全距离δsafe的点，则视为碰撞，若某个方向未发生碰撞，则认为该方向的膨胀合理；若某个方向发生膨胀，则取消该方向的膨胀，并在后续膨胀中停止该方向的膨胀；步骤3，检查四个方向是否都已停止膨胀，若都已停止，则完成矩形安全隧道Reci的生成；若仍有方向可进行膨胀，则对该方向进行膨胀，膨胀宽度仍为δex，并返回步骤2。
作为本发明的进一步改进，所述Dijkstra隧道搜索模块进行搜索安全隧道的具体步骤如下：
步骤①，计算每个安全隧道的中心点[Pc1，Pc2...Pci]，若某两个安全隧道存在重叠区域，则视为该隧道的两个中心点可相互连接；
步骤②，确定起始点Pstart所在的矩形区域Recstart，令其为Dijkstra算法的起始点Pdstart；
步骤③，确定目标点Pcfinal所在的矩形区域Recfinal，令其为Dijkstra算法的目标点Pdfinal；
步骤④，以[Pc1，Pc2...Pci]为各个节点，Pdstart为起始点，Pdfinal为目标点，采用Dijkstra 算法，搜索从Pdstart到Pdfinal的路径点[Pd1，Pd2...Pdk]，其中，Pd1为Pdstart，Pd2为Pdfinal；步骤⑤，根据[Pd1，Pd2…Pdk]确定其对应的矩形安全隧道[Rec1，Rec2...Reck]。
本发明的有益效果，1)本发明通过对环境的预处理，将复杂的外部环境转变为简单的矩形安全隧道，从而简化避障约束。2)本发明生成的矩形安全隧道可以离线存储，当起始点和目标点发生变化时，仍可利用离线的矩形安全隧道进行规划任务。3)本发明生成的矩形安全隧道提供了一种轨迹规划框架，生成安全隧道后，车辆可根据场景需求，采用多种轨迹规划算法完成任务。4)本发明提出的矩形安全隧道生成方法和系统可广泛应用于各种停车场场景。
附图说明
图1是本发明面向泊车场景的环境简化系统架构图；
图2是泰森多边形节点示意图；
图3是Ransec聚类分析处理后的直线模型结果示意图；
图4是直线模型的膨胀方向示意图；
图5是膨胀后的矩形隧道、起始点和目标点示意图；
图6是Dijkstra隧道搜索算法的结果示意图。
具体实施方式
下面将结合附图所给出的实施例对本发明做进一步的详述。
如图1至6所示，面向泊车场景的环境简化算法流程图共包含四个步骤：泰森多边形节点生成、Ransec聚类分析、直线模型膨胀处理和Dijkstra隧道搜索。
1、泰森多边形处理模块
泰森多边形处理模块的输入为：停车场障碍物及边界点 [Pob1(xob1，yob1)，Pob2(xob2，yob2)...Pobi(xobi，yobi)]，如图1中左边节点所示。该步骤的作用是处理障碍物及边界节点，获得泰森多边形节点。具体过程如下：
将各个点当作泰森多边形算法的输入，计算每两个点之间的中点，并将位于障碍物中的中点删去。最终得到的泰森多边形节点 [Pvor1(xvor1，yvor1)Pvor2(xvor2，yvor2)...Pvori(xvori，yvori)]，如图1中右边节点所示。
2、Rahsec聚类分析模块
Rahsec聚类分析模块的输入为：泰森多边形节点[Pvor1，Pvor2...Pvori]。该步骤的作用是对泰森多线性节点进行聚类分析，得到可表示道路信息的多条线段 [L1，L2...Li]。具体过程如下：
①从泰森多边形节点[Pvor1，Pvor2...Pvori]中，随机选取3个点 (x1，y1)，(x2，y2)，(x3，y3)，用最小二乘法拟合出一条直线，拟合过程如下：
i.设直线表达式为f(x)＝ax+b
ii.计算总误差：
Figure RE-GDA0003013785040000051
iii.根据多元微分求解
Figure RE-GDA0003013785040000052
对a和b的偏导，令其为0
Figure RE-GDA0003013785040000061
iv.求出a和b，获得直线模型Li
②对剩余的泰森多边形节点，计算节点与直线的距离，若距离小于阈值距离δRs，则将该点视为局内点，否则视为非局内点。
③若局内点的数量大于阈值数量NRs，则认为该直线模型合理，实行步骤④。否则认为该直线模型不合理，返回步骤①。
④将直线模型Li的局内点从泰森多边形节点[Pvor1，Pvor2...Pvori]中剔除。若剩余泰森多边形节点数量大于1，则返回步骤①，否则，结束Ransec聚类分析步骤。
经过Ransec聚类分析模块处理后，泰森多边形节点[Pvor1，Pvor2...Pvori]可表示为多条线段[L1，L2...Li]，该线段的方向及长度可代表道路信息。每次处理的直线模型结果如图3所示。
3、直线模型膨胀处理模块
直线模型膨胀处理模块的输入为：代表道路信息的线段[L1，L2...Li]。该模块的作用是对线段进行膨胀处理，获得矩形安全隧道。对于某个线段Li，其生成矩形安全隧道的具体过程如下：
①四个方向上分别进行一次膨胀，膨胀宽度为δex。膨胀方向如图4所示。
②检测膨胀过后，矩形的边与每个障碍物点及边界点 [Pob1(xob1，yob1)，Pob2(xob2，yob2)...Pobi(xobi，yobi)]之间的距离，若存在距离小于安全距离δsafe的点，则视为碰撞。若某个方向未发生碰撞，则认为该方向的膨胀合理；若某个方向发生膨胀，则取消该方向的膨胀，并在后续膨胀中停止该方向的膨胀。
③检查四个方向是否都已停止膨胀。若都已停止，则完成矩形安全隧道Reci的生成；若仍有方向可进行膨胀，则对该方向进行膨胀，膨胀宽度仍为δex，并返回步骤②。
每条线段膨胀后，即可得到矩形安全隧道[Rec1，Rec2...Reci]，每个安全隧道的表达式如下所示：
Figure RE-GDA0003013785040000071
其中，a1n，b1n和c1n表示该矩形隧道的其中一条线段表达式为：
a1nx+b1ny+c1n＝0 (4)
其余三行元素同理，代表着剩余三条线段的信息。
4、Dijkstra隧道搜索模块
Dijkstra隧道搜索模块的输入为：矩形安全隧道[Rec1，Rec2...Reci]，轨迹规划起始点Pstart和目标点Pfinal。该模块的作用是从[Rec1，Rec2...Reci]中挑选出适用于起始点Pstart和目标点Pfinal的安全隧道，用于轨迹规划。
具体过程如下：
①计算每个安全隧道的中心点[Pc1，Pc2...Pci]，若某两个安全隧道存在重叠区域，则视为该隧道的两个中心点可相互连接。
②确定起始点Pstart所在的矩形区域Recstart，令其为Dijkstra算法的起始点Pdstart。
③确定目标点Pcfinal所在的矩形区域Recfnal，令其为Dijkstra算法的目标点Pdfinal
④以[Pc1，Pc2...Pci]为各个节点，Pdstart为起始点，Pdfinal为目标点，采用Dijkstra算法，搜索从Pdstart到Pdfinal的路径点[Pd1，Pd2…Pdk]。其中，Pd1为Pdstart，Pd2为Pdfinal。
⑤根据[Pd1，Pd2...Pdk]确定其对应的矩形安全隧道[Rec1，Rec2...Reck]。
全部矩形隧道及起始点、目标点如图5所示，经过Dijkstra隧道搜索算法选出的适用矩形安全隧道如图6所示。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种面向泊车场景的地图简化系统，其特征在于：包括：
泰森多边形处理模块，基于泰森多边形算法，对环境进行预处理，获得泰森多边形节点；
Ransec聚类分析模块，基于Ransec算法，对节点进行聚类分析，得到代表道路信息的线段；
膨胀处理模块：对线段进行膨胀化处理，获得矩形安全隧道；
Dijkstra隧道搜索模块：基于Dijkstra算法，对各个矩形安全隧道的中点进行搜索，挑选出适合轨迹规划起始点和目标点的矩形安全隧道。
2.根据权利要求1所述的面向泊车场景的地图简化系统，其特征在于：所述泰森多边形处理模块基于泰森多边形算法，对环境进行预处理，获得泰森多边形节点的具体步骤为：将各个点当作泰森多边形算法的输入，计算每两个点之间的中点，并将位于障碍物中的中点删去，最终得到的泰森多边形节点。
3.根据权利要求1或2所述的面向泊车场景的地图简化系统，其特征在于：所述Ransec聚类分析模块对节点进行聚类分析的具体步骤如下：
步骤一，从泰森多边形节点[Pvor1，Pvor2...Pvori]中，随机选取3个点(x1，y1)，(x2，y2)，(x3，y3)，用最小二乘法拟合出一条直线；
步骤二，对剩余的泰森多边形节点，计算节点与直线的距离，若距离小于阈值距离δRs，则将该点视为局内点，否则视为非局内点；
步骤三，若局内点的数量大于阈值数量NRs，则认为该直线模型合理，实行步骤四，否则认为该直线模型不合理，返回步骤一；
步骤四，将直线模型Li的局内点从泰森多边形节点[Pvor1，Pvor2...Pvori]中剔除，若剩余泰森多边形节点数量大于1，则返回步骤一，否则，结束Ransec聚类分析步骤。
4.根据权利要求3所述的面向泊车场景的地图简化系统，其特征在于：所述步骤一中拟合出一条直线的具体步骤如下：
步骤一一，设直线表达式为f(x)＝ax+b；
步骤一二，计算总误差：
Figure RE-FDA0003013785030000021
步骤一三，根据多元微分求解
Figure RE-FDA0003013785030000023
对a和b的偏导，令其为0
Figure RE-FDA0003013785030000022
步骤一四，求出a和b，获得直线模型Li。
5.根据权利要求1或2所述的面向泊车场景的地图简化系统，其特征在于：所述膨胀处理模块进行膨胀化处理的具体步骤如下：
步骤1，在四个方向上分别进行一次膨胀，膨胀宽度为δex；
步骤2，检测膨胀过后，矩形的边与每个障碍物点及边界点[Pob1(xob1，yob1)，Pob2(xob2，yob2)...Pobi(xobi，yobi)]之间的距离，若存在距离小于安全距离δsafe的点，则视为碰撞，若某个方向未发生碰撞，则认为该方向的膨胀合理；若某个方向发生膨胀，则取消该方向的膨胀，并在后续膨胀中停止该方向的膨胀；
步骤3，检查四个方向是否都已停止膨胀，若都已停止，则完成矩形安全隧道Reci的生成；若仍有方向可进行膨胀，则对该方向进行膨胀，膨胀宽度仍为δex，并返回步骤2。
6.根据权利要求1或2所述的面向泊车场景的地图简化系统，其特征在于：所述Dijkstra隧道搜索模块进行搜索安全隧道的具体步骤如下：
步骤①，计算每个安全隧道的中心点[Pc1，Pc2...Pci]，若某两个安全隧道存在重叠区域，则视为该隧道的两个中心点可相互连接；
步骤②，确定起始点Pstart所在的矩形区域Recstat，令其为Dijkstra算法的起始点Pdstart；
步骤③，确定目标点Pcfinal所在的矩形区域Recfinal，令其为Dijkstra算法的目标点Pdfinal；
步骤④，以[Pc1，Pc2...Pci]为各个节点，Pdstart为起始点，Pdfinal为目标点，采用Dijkstra算法，搜索从Pdstart到Pdfinal的路径点[Pd1，Pd2...Pdk]，其中，Pd1为Pdstart，Pd2为Pdfinal；
步骤⑤，根据[Pd1，Pd2...Pdk]确定其对应的矩形安全隧道[Rec1，Rec2...Reck]。
CN202011402007.8A 2020-12-04 2020-12-04 一种面向泊车场景的地图简化系统 Active CN112799393B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011402007.8A CN112799393B (zh) 2020-12-04 2020-12-04 一种面向泊车场景的地图简化系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011402007.8A CN112799393B (zh) 2020-12-04 2020-12-04 一种面向泊车场景的地图简化系统

Publications (2)

Publication Number Publication Date
CN112799393A true CN112799393A (zh) 2021-05-14
CN112799393B CN112799393B (zh) 2022-04-19

Family

ID=75806400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011402007.8A Active CN112799393B (zh) 2020-12-04 2020-12-04 一种面向泊车场景的地图简化系统

Country Status (1)

Country Link
CN (1) CN112799393B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113492841A (zh) * 2021-07-22 2021-10-12 上汽通用五菱汽车股份有限公司 泊车控制方法、装置及计算机可读存储介质
CN114577217A (zh) * 2022-05-05 2022-06-03 季华实验室 基于冯洛诺伊图的路径规划方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105808868A (zh) * 2016-03-16 2016-07-27 武汉大学 一种基于Copula函数的水文模型综合不确定性分析方法
CN106529797A (zh) * 2016-10-28 2017-03-22 四川大学 电动汽车充电网络规划方法
CN106949896A (zh) * 2017-05-14 2017-07-14 北京工业大学 一种基于鼠脑海马的情景认知地图构建及导航方法
CN107045629A (zh) * 2017-04-19 2017-08-15 南京理工大学 一种多车道线检测方法
CN110796714A (zh) * 2019-08-22 2020-02-14 腾讯科技（深圳）有限公司 一种地图构建方法、装置、终端以及计算机可读存储介质
CN111089594A (zh) * 2019-12-30 2020-05-01 浙江大学 一种适用于多场景的自主泊车轨迹规划方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105808868A (zh) * 2016-03-16 2016-07-27 武汉大学 一种基于Copula函数的水文模型综合不确定性分析方法
CN106529797A (zh) * 2016-10-28 2017-03-22 四川大学 电动汽车充电网络规划方法
CN107045629A (zh) * 2017-04-19 2017-08-15 南京理工大学 一种多车道线检测方法
CN106949896A (zh) * 2017-05-14 2017-07-14 北京工业大学 一种基于鼠脑海马的情景认知地图构建及导航方法
CN110796714A (zh) * 2019-08-22 2020-02-14 腾讯科技（深圳）有限公司 一种地图构建方法、装置、终端以及计算机可读存储介质
CN111089594A (zh) * 2019-12-30 2020-05-01 浙江大学 一种适用于多场景的自主泊车轨迹规划方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JIANFANG DOU等: ""Improved SVD matching based on Delaunay triangulation and belief propagation"", 《OPTIK》 *
PRIYADARSHI BHATTACHARYA等: ""Improving RANSAC Feature Matching with Local Topological Information"", 《2012 NINTH INTERNATIONAL SYMPOSIUM ON VORONOI DIAGRAMS IN SCIENCE AND ENGINEERING》 *
周嘉俊等: ""机载激光雷达点云多层次建筑物的三维重建"", 《遥感信息》 *
李东林等: ""露天矿山运输无人驾驶系统综述"", 《综述与评论》 *
涂鸿渐等: ""基于混合整数规划法的露天矿配矿品位控制"", 《黄金科学技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113492841A (zh) * 2021-07-22 2021-10-12 上汽通用五菱汽车股份有限公司 泊车控制方法、装置及计算机可读存储介质
CN113492841B (zh) * 2021-07-22 2022-09-06 上汽通用五菱汽车股份有限公司 泊车控制方法、装置及计算机可读存储介质
CN114577217A (zh) * 2022-05-05 2022-06-03 季华实验室 基于冯洛诺伊图的路径规划方法、装置、设备及存储介质
CN114577217B (zh) * 2022-05-05 2022-07-29 季华实验室 基于冯洛诺伊图的路径规划方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112799393B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
KR102306939B1 (ko) V2x 통신 및 이미지 처리를 이용한 정보 융합을 통해 자율 주행의 단기 경로를 플래닝하기 위한 방법 및 장치
CN110531770B (zh) 一种基于改进的rrt路径规划方法和系统
CN112799393B (zh) 一种面向泊车场景的地图简化系统
CN111768647A (zh) 一种基于移动边缘计算的自主泊车方法和装置
CN109115220B (zh) 一种用于停车场系统路径规划的方法
CN113252027B (zh) 井下无人驾驶车辆局部路径规划方法、装置、设备及存储介质
CN110490809A (zh) 多智能体协同定位与建图方法及装置
CN113899383B (zh) 基于短路径的多车防死锁方法、系统、设备及存储介质
CN115435798A (zh) 无人车高精地图路网生成系统及方法
CN111487975A (zh) 一种基于智能网联系统的港口卡车自动编队方法及系统
CN113515111B (zh) 一种车辆避障路径规划方法及装置
CN112731929A (zh) 一种基于阿克曼模型的移动机器人避障路径规划方法
CN112435504A (zh) 一种车路协同环境下的集中式协同轨迹规划方法和装置
Xiong et al. Road-Model-Based road boundary extraction for high definition map via LIDAR
CN113093787B (zh) 一种基于速度场的无人机轨迹规划方法
CN116817947B (zh) 一种基于变步长机制的任意时路径规划方法
CN113009922A (zh) 一种机器人行走路径的调度管理方法
Zhang et al. Real time obstacle detection method based on lidar and wireless sensor
CN116338729A (zh) 一种基于多层地图的三维激光雷达导航方法
Zhang et al. An improved dynamic step size RRT algorithm in complex environments
Ren et al. Intelligent path planning and obstacle avoidance algorithms for autonomous vehicles based on enhanced rrt algorithm
Li et al. DFA based autonomous decision-making for UGV in unstructured terrain
Li et al. DF-FS based path planning algorithm with sparse waypoints in unstructured terrain
Wang et al. Auxiliary unmanned driving route planning algorithm based on mining road
Hu et al. A Hybrid Path Planning Algorithm Based on Floyd and A* Theory

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