CN112945244B - 适用于复杂立交桥的快速导航系统及导航方法 - Google Patents

适用于复杂立交桥的快速导航系统及导航方法 Download PDF

Info

Publication number
CN112945244B
CN112945244B CN202110150165.7A CN202110150165A CN112945244B CN 112945244 B CN112945244 B CN 112945244B CN 202110150165 A CN202110150165 A CN 202110150165A CN 112945244 B CN112945244 B CN 112945244B
Authority
CN
China
Prior art keywords
navigation
features
overpass
vehicle
module
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
CN202110150165.7A
Other languages
English (en)
Other versions
CN112945244A (zh
Inventor
陈子龙
熊庆
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.)
Shanghai Boqi Intelligent Technology Co ltd
Original Assignee
Shanghai Boqi Intelligent Technology 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 Shanghai Boqi Intelligent Technology Co ltd filed Critical Shanghai Boqi Intelligent Technology Co ltd
Priority to CN202110150165.7A priority Critical patent/CN112945244B/zh
Priority to CN202210716918.0A priority patent/CN115164911A/zh
Publication of CN112945244A publication Critical patent/CN112945244A/zh
Application granted granted Critical
Publication of CN112945244B publication Critical patent/CN112945244B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • 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
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Navigation (AREA)

Abstract

本发明属于导航信息技术领域，具体适用于复杂立交桥的快速导航系统及导航方法。具体技术方案为：进入立交桥时，对行驶车辆周围环境进行拍照，将照片上传并提取照片中的多个特征，与规划路线中标准特征进行对比，行驶路线正确的条件下判断提取的特征与标准特征是否一致，提取的特征与标准特征存在偏差的条件下将提取的特征作为新的训练样本，重新进行深度学习，替代已有的标准特征以更新数据库，进行下一次匹配。图像识别技术与GPS技术相结合，将照片中提取的特征并与数据库中的标准特征进行数据对比，最终确定汽车在立交桥内实际道路中的具体位置，避免了在立交桥导航时因无法接收GPS信号或驶入错误道路而无法实现精准导航。

Description

适用于复杂立交桥的快速导航系统及导航方法
技术领域
本发明属于导航信息技术领域，具体适用于复杂立交桥的快速导航系统及导航方法。
背景技术
无人驾驶汽车导航仍采用GPS导航方式，如果遇到复杂道路环境，例如上、中、下三层立体式立交桥，如果在进入立交桥开始导航，则可以较好的实现导航，但如果进入立交桥后再导航，或者是进入立交桥后网络环境较差需重新导航，又或者是进入立交桥后驶入错误道路，由于GPS技术无法识别高度，则会导致导航准确度降低，同时位于最下层的车辆还存在无法接受GPS信号的问题。
目前无人驾驶汽车上设置有环境识别装置，一般环境识别装置包括安装在汽车前方或顶部的高清摄像头，摄像头拍照用于环境感知和躲避，将摄像技术与GPS技术相结合，用于精确定位汽车的具体位置。具体工作过程：提前拍摄环境道路——提取标准特征线形成数据库——导航车辆摄像拍照——提取特征线——与数据库特征线对比——分析导航车辆具体位置。
目前的这种导航方法使用过程中存在两个问题：一是建立数据库使用的车辆与实际导航车辆结构不一样，如建立数据库使用的车辆为SUV车辆，而实际导航车辆为轿车，那么可能导致提取的特征线与数据库中的特征线存在较大差别，降低导航的准确率；二是环境道路发生改变时，数据库中的标准特征线无法及时更新，则会导致导航准确度降低，如在有多个入口的立交桥，提取的特征线可能是道路旁的指示牌或者是建筑物，如果道路牌或者是建筑物发生变化，则导航准确度降低。
发明内容
本发明的目的是提供适用于复杂立交桥的快速导航系统及导航方法，数据库可及时更新，准确度高，不需建立专门的数据库，成本低。
为实现上述发明目的，本发明所采用的技术方案是：适用于复杂立交桥的快速导航方法，车辆上的导航装置使用时，按以下方式进行导航：
A0、判断导航起点是否位于立交桥内，
若导航起点位于立交桥内，则进入步骤A1；
若导航起点位于立交桥外，则需判断导航起点至终点的规划路段中是否存在立交桥，若不经过立交桥，则导航装置按照现有GPS技术定位导航方式进行导航，若经过立交桥，则车辆进入立交桥时进入步骤A1；
A1、进入立交桥时，每间隔一定时间T0，确定车辆当前GPS定位位置，对周围环境进行拍照，并上传照片至环境识别模块，进入步骤A2；
A2、判断车辆当前所处立交桥的高度方向上是否存在多条道路，
若车辆所处GPS定位位置高度方向只有一条道路，则进入步骤A3；
若车辆所处GPS定位位置高度方向有多条道路，则进入步骤A4；
A3、环境识别模块提取照片中多个特征形成一个特征组，与串联式标准特征组中车辆当前GPS定位位置相对应的标准特征组进行对比，进入A6；
A4、环境识别模块提取照片中多个特征形成一个特征组，先根据车辆当前GPS定位位置匹配相对应的并联式标准特征组；在并联式标准特征组范围内，再根据提取的特征组匹配对应的标准特征组，确定车辆在立交桥上的具体道路，进入步骤A5；
A5、判断当前行驶路线是否与导航规划路线一致，若两者一致，则进入步骤A6，若两者不一致，则进入步骤A8；
A6、判断提取的特征与标准特征是否一致，若两者一致，则进入步骤A1，若两者不一致，则进入步骤A7；
A7、将GPS定位位置拍摄照片中提取的特征放入相对应的标准特征数据库中作为新的训练样本，重新进行深度学习，形成新的标准特征数据库；
A8、提取的特征与该GPS定位位置附近一定范围内的标准特征组进行对比，重新确定当前位置，重新规划行驶路线，进入步骤A1。
优选的：还包括，A9、对新的标准特征按照车辆型号分类储存至标准特征数据库，以进行下一次匹配。
优选的：所述步骤A5中，汽车当前行驶路线与导航规划路线一致的判断条件是，导航过程中规划路线未变更，且汽车实际行驶时间与导航规划时间相对应。
优选的：所述照片中提取的特征、所述标准特征均包括交通路标、建筑物、矢量道路中心线、大型植被。
优选的：所述步骤A7中，提取的特征进行深度学习前，进行图像曝光、图像背景去除、图像归一化等预处理。
优选的：所述步骤A7中，深度学习模型是CNN卷积神经网络模型。
优选的：所述步骤A8中，提取的特征与该GPS定位位置20-200米范围内的标准特征进行对比。
相应的：包括GPS导航模块、照片采集模块、环境识别模块、分析处理模块、数据模块和导航信息接收模块，
所述GPS导航模块用于车辆当前位置定位；
所述照片采集模块对环境进行拍照并将照片上传至环境识别模块；
所述环境识别模块提取照片中的特征并传输至分析处理模块；
所述分析处理模块能够进行图像预处理、特征比对、车辆行驶路线判断、对特征进行深度学习；
所述数据模块与分析处理模块之间可交互数据；
所述导航信息接收模块接收分析处理模块的导航指令信息。
优选的：所述环境识别模块能够进行交通路标识别、矢量道路中心线识别、建筑物识别和大型植被识别。
优选的：所述照片采集模块设置在汽车顶部或前保险杠；所述导航信息接收模块设置在汽车内，所述导航信息接收模块包括图像显示器和语音播报音响；所述数据模块为云端数据库。
与现有技术相比，本发明具有以下有益效果：
1、本发明进入立交桥时，图像识别技术与GPS技术相结合，采用拍照上传照片，将照片中提取的特征并与数据库中的标准特征进行数据对比，最终确定汽车在立交桥内实际道路中的具体位置，避免了在立交桥导航时因无法接收GPS信号或驶入错误道路而无法实现精准导航。
2、本发明车辆行驶过程中，若检测到周围环境发生变化时，依据行驶车辆拍摄的图像及时更新数据库中的标准特征，准确度更高，即后续数据库的持续更新不需要设置单独的车辆对道路环境进行拍摄，成本更低；根据车辆的不同型号对标准特征进行分组，导航过程中再根据实际型号行驶车辆拍摄的特征，与数据库相应组内的标准特征进行对比，准确度更高。
附图说明
图1为本发明适用于复杂立交桥的快速导航方法流程框图；
图2为本发明适用于复杂立交桥的快速导航系统框图；
图3为串联式标准特征组和并联式标注特征组示意。
具体实施方式
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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。
如图1和图3所示的适用于复杂立交桥的快速导航方法，进入立交桥时，每间隔一段时间对行驶车辆周围环境进行拍照，将照片上传至环境识别模块并提取照片中的多个特征，与规划路线中标准特征进行对比，行驶路线正确的条件下判断提取的特征与标准特征是否一致，提取的特征与标准特征存在偏差的条件下将提取的特征作为新的训练样本，重新进行深度学习，替代已有的标准特征以更新数据库，进行下一次匹配。
车辆上设置有GPS定位装置，车辆上的导航装置使用时，按以下方式进行导航：
A0、判断导航起点是否位于立交桥内，若导航起点位于立交桥内，则进入步骤A1；若导航起点位于立交桥外，则需判断导航起点至终点的规划路段中是否存在立交桥，若不经过立交桥，则导航装置按照现有GPS技术定位导航方式进行导航，若经过立交桥，则车辆进入立交桥时进入步骤A1；
A1、每间隔一定时间T0，确定车辆当前GPS定位位置，对周围环境进行实时拍照，并上传照片至环境识别模块，进入步骤A2；应当理解的是，T0可以为1-120秒内的任一时间，当车速较慢时，T0可以设置较大一点，如100秒，当车速较快时，T0可以设置较小一点，如5秒；
A2、判断车辆当前所处立交桥的高度维度上是否存在多条道路，若车辆所处GPS定位位置的高度方向上只有一条道路，则进入A3；若车辆所处GPS定位位置的高度方向上有多条道路，则进入A4；
A3、环境识别模块提取照片中多个特征形成一个特征组，与串联式标准特征组中车辆当前GPS定位位置相对应的标准特征组进行对比，进入A6；需要说明的是，标准特征指的是提前在同一个GPS定位位置处拍摄多张照片，并从多张照片中提取出多个特征并存入数据库；串联式标准特征组指的是在同一个GPS定位位置处有多个标准特征，这些多个标准特征形成一个数据集合，即为串联式标准特征组，随GPS定位位置变化，形成多个沿道路纵向的串联式标准特征组，多个串联式标准特征组存入数据库形成标准特征数据库；
A4、环境识别模块提取照片中多个特征形成一个特征组，先根据车辆当前GPS定位位置匹配相对应的并联式标准特征组；在并联式标准特征组范围内，再根据提取的特征组匹配对应的标准特征组，确定车辆在立交桥上的具体道路，进入步骤A5；需要说明的是，并联式标准特征组指的是同一个GPS定位位置处不同高度的道路环境所对应的标准特征分别形成数据集合，存入标准特征数据库；
A5、判断当前路线是否与导航规划路线一致，若两者一致，则进入步骤A6，若两者不一致，则进入步骤A8；
A6、判断提取的特征与标准特征是否一致，若两者一致，则进入步骤A1，若两者不一致，则进入步骤A7；
A7、将GPS定位位置拍摄照片中提取的特征放入相对应的标准特征数据库中作为新的训练样本，重新进行深度学习，形成新的标准特征数据库；
A8、提取的特征与该GPS定位位置附近一定范围内的标准特征组进行对比，重新确定当前位置，重新规划行驶路线，进入步骤A1。
需要说明的是，步骤A5中，将行驶路线划分成多个距离绝对值较短的矢量路线，多个矢量路线的距离绝对值可以为3米、5米、8米、10米、15米等，同时与导航规划路线上相对应的矢量路线进行对比。
需要说明的是，步骤A8中，GPS定位位置附近一定范围指的是以该GPS定位位置为圆心，以20-200米为半径形成圆球范围，应当理解的是，当检测到行驶路线错误时，将行驶路线上提取的特征与当前GPS定位位置20米范围内的标准特征组进行对比，若匹配到一致的标准特征组，则重新确定车辆具体位置，以当前位置为导航起点重新规划路线；若未匹配到一致的标准特征组，则将行驶路线上提取的特征与当前GPS定位位置40米范围内的标准特征组进行对比，特征匹配范围逐渐扩大，直至确定车辆具体位置，特征匹配过程结束。
步骤A8特征匹配过程中还可能出现这种情况，车辆行驶至错误路线上，且系统已经检测到车辆行驶至错误路线，但该错误路线上的部分特征已经发生改变，如周围建筑物、大型植被或者是路标发生变化，那么即使匹配当前GPS定位位置200米范围内的标准特征组，当前位置提取的特征也不能匹配到一致的标准特征组，因此为解决这一问题，还应设置一个匹配条件，即需要设置一个匹配程度阈值，该匹配程度阈值指的是提取的特征与当前GPS定位位置200米范围内标准特征组相比，相同率能达80％以上，例如，当前GPS定位位置照片中提取到5个特征，这5个特征为一提取的特征组，在当前GPS定位位置200米范围内有一个标准特征组，这个标准特征组共有5个标准特征，其中4个标准特征与提取的4个特征相同，其他不同，那么此时匹配程度为80％，刚好在匹配程度阈值范围内，满足匹配条件，则将当前位置定位至匹配的位置，确定车辆具体位置。
进一步的，由于车辆型号不同，则同一位置处拍摄照片提取的特征可能存在一定差异，为了消除这种差异，还包括，A9、对新的标准特征按照车辆型号分类储存至标准特征数据库，以进行下一次匹配。应当理解的是，不同品牌、不同型号的车辆需分别建立各自的标准特征数据库，行驶过程中，行驶车辆根据自身型号匹配对应的标准特征数据库，将拍摄照片中提取的特征与该数据库中的标准特征进行对比，提高导航的准确度。
进一步的，步骤A5中，汽车当前行驶路线与导航规划路线一致的判断条件是，导航过程中规划路线未变更，且汽车实际行驶时间与导航规划时间相对应，只有这两个条件均满足才能判定汽车行驶路线正确。应当理解的是，如果该导航起点和导航终点均在立交桥以外，且导航过程中规划路线未发生改变(没有驶入错误道路)，且实际行驶时间与导航规划规划时间较为接近，比较两者之间的时间分为两种情况考虑，第一种情况是路径中设有红绿灯，此时须增加一个判断条件为是否汽车停车，若中途停车，则实际行驶时间减去停车时间后与导航规划规划时间比较，才能判定为行驶路线正确；第二种情况是路径中不设有红绿灯，实际行驶时间直接与导航规划时间比较。
需要说明的是，实际行驶时间与规划时间较为接近的判断条件是，设置一个关于实际导航时间与规划时间之间差值的阈值，该阈值为规划时间的±20％，若实际行驶时间与规划时间的差值超过阈值，则认为实际行驶时间与规划时间不接近；若实际行驶时间与规划时间的差值未超过阈值，则认为实际行驶时间与规划时间接近。
进一步的，拍摄照片中提取的特征、标准特征均包括交通路标、建筑物、矢量道路中心线、大型植被等。
进一步的，为了降低环境因素对图像的影响，步骤A7中对提取的特征进行深度学习，对深度学习模型所需的特征进行图像曝光处理、图像背景去除处理、图像归一化处理等预处理。需要说明的是，图像曝光处理通过RGB色彩空间的叠加或者是删减对图像进行增强的方式对阈值外图像进行处理，从而对图像进行预处理；图像归一化处理是将深度学习模型所需的特征处理到相同尺寸的大小，通过平移、拉伸、旋转、对比度调整、颜色变换等方式对特征进行数据增强处理，对于较大尺寸的特征，可采用均值缩减降低尺寸，对于较小尺寸的特征，可采用旋转变换扩充数据集。
例如，将图像导入OpenCV软件，利用OpenCV视觉库转换为三维数组，即图片的数学表示：二维像素点阵+RGB三原色通道，对三维数组进行标准化，其实际意义为对图片大小进行标准化。如果图片像素点不是512*512，就利用视觉库对它进行缩放，这样数组大小就标准化为512*512*3；每一个像素点的数学表示是三原色的值(范围在0-255)的数组，如[17,51,127]，但读出来的颜色通道是反的，即BGR，所以需要转换为标准的RGB格式：如[127,51,17]；再对数据进行矩阵转置，变换成3*512*512的数组，在最外层增加一个维度，表示批量样本数，每次输入一个样本，就转换成1*3*512*512的数组，然后对数组的数据进行归一化处理，首先对数组除以极差255，得到0-1的数值范围，再-0.5，得到-0.5—0.5，最后除以0.5，得到-1—1的数值范围。最后将四维数组转化成四维张量(1,3,512,512)，导入CNN卷积神经网络的隐藏层来处理就可以了。
进一步的，所述步骤A7中的深度学习模型是CNN卷积神经网络模型，卷积神经网络模型包括卷积层、池化层和全连接层，实现卷积操作、池化操作、卷积—池化—卷积操作和全连接操作，通过反复的迭代逐层调节权重参数以最小化损失函数并提高识别率。
例如，可以使用Python软件下的TensorFlow模块中自带的卷积神经网络模型直接进行计算识别，例如VGG模型，GOOGLENET模型，Deep Residual Learning模型，也可以使用其他软件自带的卷积神经网络模型，对卷积层进行定以后进行识别。
如图2所示的适用于复杂立交桥的快速导航系统，包括GPS导航模块、照片采集模块、环境识别模块、分析处理模块、数据模块和导航信息接收模块。
所述GPS导航模块用于车辆当前位置定位；
所述照片采集模块对环境进行拍照并将照片上传至环境识别模块；
GPS导航模块、照片采集模块可以使用汽车自带的导航系统和360°影像环境摄像头，也可以直接在车辆前部或顶部用螺栓安装GOPRO相机，该相机可以输出带有GPS定位数据的照片。
所述环境识别模块提取照片中的特征并传输至分析处理模块；
所述分析处理模块能够进行图像预处理、特征比对、车辆行驶路线判断、对特征进行深度学习等，将提取的特征与储存至数据模块中的标准特征进行对比，确定车辆的具体位置，还分析判断车辆行驶路线是否正确，路线正确的条件下判断提取的特征与标准特征是否一致，不一致的条件下将提取的特征替代标准特征以更新数据库，进行下一次匹配；
所述数据模块与分析处理模块之间可交互数据；
所述导航信息接收模块接收分析处理模块的导航指令信息。
进一步的，所述环境识别模块提取的特征、所述标准特征均包括交通路标、建筑物、矢量道路中心线、大型植被等。
进一步的，所述照片采集模块为高清摄像头，设置在汽车顶部或前保险杠，可以使用goole无人驾驶汽车的高清摄像头，或特斯拉model 3采用的组合摄像头方式，其包括3个前置摄像头(不同视角、广角、长焦、中等)；2个侧边摄像头(一左一右)，该布置方式下，汽车可探测前、后、左、右的移动物体和障碍物，并精确采集车道线、红绿灯等道路标识；所述导航信息接收模块设置在汽车内，所述导航信息接收模块包括图像显示器和语音播报音响；所述数据模块为云端数据库。
照片采集模块与环境识别模块无线通信连接，环境识别模块与分析处理模块电线或无线通信连接，分析处理模块与数据模块电线或无线通信连接，分析处理模块与导航信息接收模块无线通信连接。
上述的导航系统也可以直接使用智能手机导航，集成GPS导航模块、照片采集模块，智能手机中的导航软件配合手机摄像头进行GPS定位及照片采集，采集好的带有GPS定位数据的照片发动到云服务器，进行环境识别及后续分析；该方式下需要对手机的位置进行预先设定，例如在车内特定位置放置支架，支架上放置手机，保证拍摄的环境照片与形成标准特征数据库的照片拍摄的范围基本一致。
本发明的快速导航系统可以是人工驾驶车辆，也可以是无人驾驶车辆，当快速导航系统用于无人驾驶车辆时，本申请中所述的带有自动驾驶模式的汽车至少为L3级或L4级或L5级；该等级根据美国SAE J3016(TM)《标准道路机动车驾驶自动化系统分类与定义》中，将带有自动驾驶功能的汽车划分的L0级-L5级。
适用于复杂立交桥的快速导航系统的工作过程：
B0、输入导航起点和导航终点规划路线，输入驾驶车辆型号匹配对应的标准特征数据库，判断导航起点是否位于立交桥内，若导航起点位于立交桥内，则进入步骤B1；若导航起点位于立交桥外，则需判断导航起点至终点的规划路段中是否存在立交桥，若不经过立交桥，则导航装置按照现有GPS技术定位导航方式进行导航，若经过立交桥，则车辆进入立交桥时进入步骤B1；
B1、进入立交桥时，每间隔20秒通过GPS导航模块确定车辆当前GPS定位位置，照片采集模块对周围环境进行拍照，并上传照片至环境识别模块，进入步骤B2；
B2、判断车辆当前所处立交桥的高度方向上是否存在多条道路，若车辆所处GPS定位位置高度方向只有一条道路，则进入步骤B3；若车辆所处GPS定位位置高度方向有多条道路，则进入步骤B4；
B3、环境识别模块提取照片中多个特征(交通路标、建筑物、矢量道路中心线、大型植被等)，并将这些多个特征传输至分析处理模块，分析处理模块根据驾驶车辆型号匹配相同车辆型号的数据库，将规划路线上相应位置处的标准特征从数据模块提出，将提取的特征与车辆当前GPS定位位置相对应的标准特征进行对比，进入步骤B6；
B4、环境识别模块提取照片中多个特征，(交通路标、建筑物、矢量道路中心线、大型植被等)，并将这些多个特征传输至分析处理模块，分析处理模块根据驾驶车辆型号匹配相同车辆型号的数据库，将规划路线上相应位置处的标准特征从数据模块提出，将提取的特征分别与车辆当前GPS定位位置相对应的多个标准特征组进行对比，确定对应的标准特征组，从而确定车辆当前在立交桥上的具体道路，进入步骤B5；
B5、分析处理模块将行驶路线划分成多个矢量路线，与规划路线上相对应的矢量路线进行对比，判断行驶路线是否正确，判断导航过程中的规划路线是否发生变更，同时判断汽车实际行驶时间与导航规划时间相对应，若两者一致，则进入步骤B6，若两者不一致，则进入步骤B8；
B6、分析处理模块判断行驶路线上提取的特征与规划路线上的标准特征是否一致，若两者一致，则不需要更新数据库中的标准特征，进入步骤A1，若两者不一致，则需要更新数据库中的标准特征，进入步骤B7；
B7、分析处理模块对GPS定位位置拍摄照片中提取的特征进行图像曝光处理、图像背景去除处理、图像归一化处理等预处理，再将提取的特征放入相对应的标准特征数据库中作为新的训练样本，重新进行深度学习，形成新的标准特征数据库；
B8、分析处理模块从数据模块中提取该GPS定位位置附近一定范围内的标准特征，将环境识别模块提取的特征与这些标准特征进行对比，重新确定当前位置，重新规划行驶路线，并将重新规划的行驶路线传输至导航信息接收模块，并通过图像显示器和语音播报音响反馈给用户；进入步骤B1。
B9、对步骤B7中形成新的标准特征按照车辆型号分类储存至标准特征数据库，以进行下一次匹配。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形、变型、修改、替换，均应落入本发明权利要求书确定的保护范围内。

Claims (10)

1.适用于复杂立交桥的快速导航方法，其特征在于：车辆上的导航装置使用时，按以下方式进行导航：
A0、判断导航起点是否位于立交桥内，
若导航起点位于立交桥内，则进入步骤A1；
若导航起点位于立交桥外，则需判断导航起点至终点的规划路段中是否存在立交桥，若不经过立交桥，则导航装置按照现有GPS技术定位导航方式进行导航，若经过立交桥，则车辆进入立交桥时进入步骤A1；
A1、进入立交桥时，每间隔一定时间T0，确定车辆当前GPS定位位置，对周围环境进行拍照，并上传照片至环境识别模块，进入步骤A2；
A2、判断车辆当前所处立交桥的高度方向上是否存在多条道路，
若车辆所处GPS定位位置高度方向只有一条道路，则进入步骤A3；
若车辆所处GPS定位位置高度方向有多条道路，则进入步骤A4；
A3、环境识别模块提取照片中多个特征形成一个特征组，与串联式标准特征组中车辆当前GPS定位位置相对应的标准特征组进行对比，进入A6；
A4、环境识别模块提取照片中多个特征形成一个特征组，先根据车辆当前GPS定位位置匹配相对应的并联式标准特征组；在并联式标准特征组范围内，再根据提取的特征组匹配对应的标准特征组，确定车辆在立交桥上的具体道路，进入步骤A5；
A5、判断当前行驶路线是否与导航规划路线一致，若两者一致，则进入步骤A6，若两者不一致，则进入步骤A8；
A6、判断提取的特征与标准特征是否一致，若两者一致，则进入步骤A1，若两者不一致，则进入步骤A7；
A7、将GPS定位位置拍摄照片中提取的特征放入相对应的标准特征数据库中作为新的训练样本，重新进行深度学习，形成新的标准特征数据库；
A8、提取的特征与该GPS定位位置附近一定范围内的标准特征组进行对比，重新确定当前位置，重新规划行驶路线，进入步骤A1。
2.根据权利要求1所述的适用于复杂立交桥的快速导航方法，其特征在于：还包括，A9、对新的标准特征按照车辆型号分类储存至标准特征数据库，以进行下一次匹配。
3.根据权利要求1所述的适用于复杂立交桥的快速导航方法，其特征在于：所述步骤A5中，汽车当前行驶路线与导航规划路线一致的判断条件是，导航过程中规划路线未变更，且汽车实际行驶时间与导航规划时间相对应。
4.根据权利要求1所述的适用于复杂立交桥的快速导航方法，其特征在于：所述照片中提取的特征、所述标准特征均包括交通路标、建筑物、矢量道路中心线、大型植被。
5.根据权利要求1所述的适用于复杂立交桥的快速导航方法，其特征在于：所述步骤A7中，提取的特征进行深度学习前，进行图像曝光、图像背景去除、图像归一化预处理。
6.根据权利要求1所述的适用于复杂立交桥的快速导航方法，其特征在于：所述步骤A7中，深度学习模型是CNN卷积神经网络模型。
7.根据权利要求1所述的适用于复杂立交桥的快速导航方法，其特征在于：所述步骤A8中，提取的特征与该GPS定位位置20-200米范围内的标准特征进行对比。
8.适用于复杂立交桥的快速导航系统，基于权利要求1-7任意一项所述的适用于复杂立交桥的快速导航方法，其特征在于：包括GPS导航模块、照片采集模块、环境识别模块、分析处理模块、数据模块和导航信息接收模块，
所述GPS导航模块用于车辆当前位置定位；
所述照片采集模块对环境进行拍照并将照片上传至环境识别模块；
所述环境识别模块提取照片中的特征并传输至分析处理模块；
所述分析处理模块能够进行图像预处理、特征比对、车辆行驶路线判断、对特征进行深度学习；
所述数据模块与分析处理模块之间交互数据；
所述导航信息接收模块接收分析处理模块的导航指令信息。
9.根据权利要求8所述的适用于复杂立交桥的快速导航系统，其特征在于：所述环境识别模块能够进行交通路标识别、矢量道路中心线识别、建筑物识别和大型植被识别。
10.根据权利要求8所述的适用于复杂立交桥的快速导航系统，其特征在于：所述照片采集模块设置在汽车顶部或前保险杠；所述导航信息接收模块设置在汽车内，所述导航信息接收模块包括图像显示器和语音播报音响；所述数据模块为云端数据库。
CN202110150165.7A 2021-02-03 2021-02-03 适用于复杂立交桥的快速导航系统及导航方法 Active CN112945244B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110150165.7A CN112945244B (zh) 2021-02-03 2021-02-03 适用于复杂立交桥的快速导航系统及导航方法
CN202210716918.0A CN115164911A (zh) 2021-02-03 2021-02-03 基于图像识别的高精准度立交桥快速导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110150165.7A CN112945244B (zh) 2021-02-03 2021-02-03 适用于复杂立交桥的快速导航系统及导航方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202210716918.0A Division CN115164911A (zh) 2021-02-03 2021-02-03 基于图像识别的高精准度立交桥快速导航方法

Publications (2)

Publication Number Publication Date
CN112945244A CN112945244A (zh) 2021-06-11
CN112945244B true CN112945244B (zh) 2022-10-14

Family

ID=76243313

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202110150165.7A Active CN112945244B (zh) 2021-02-03 2021-02-03 适用于复杂立交桥的快速导航系统及导航方法
CN202210716918.0A Withdrawn CN115164911A (zh) 2021-02-03 2021-02-03 基于图像识别的高精准度立交桥快速导航方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202210716918.0A Withdrawn CN115164911A (zh) 2021-02-03 2021-02-03 基于图像识别的高精准度立交桥快速导航方法

Country Status (1)

Country Link
CN (2) CN112945244B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113804211B (zh) * 2021-08-06 2023-10-03 荣耀终端有限公司 一种高架识别方法及装置
CN115984273B (zh) * 2023-03-20 2023-08-04 深圳思谋信息科技有限公司 道路病害检测方法、装置、计算机设备及可读存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020124440A1 (en) * 2018-12-18 2020-06-25 Beijing Voyager Technology Co., Ltd. Systems and methods for processing traffic objects

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BE792396A (fr) * 1971-12-08 1973-03-30 Menk Apparatebau G M B H Radiateur de chauffage ou de refroidissement
US5968109A (en) * 1996-10-25 1999-10-19 Navigation Technologies Corporation System and method for use and storage of geographic data on physical media
US20020130953A1 (en) * 2001-03-13 2002-09-19 John Riconda Enhanced display of environmental navigation features to vehicle operator
EP2597425A1 (en) * 2005-10-14 2013-05-29 Dash Navigation Inc. System and method for identifying road features
US20090276153A1 (en) * 2008-05-01 2009-11-05 Chun-Huang Lee Navigating method and navigation apparatus using road image identification
CN102246159A (zh) * 2008-12-09 2011-11-16 通腾北美有限公司 产生测地参考数据库产品的方法
CN101762275A (zh) * 2008-12-25 2010-06-30 佛山市顺德区顺达电脑厂有限公司 车载导航系统及方法
US7868821B2 (en) * 2009-01-15 2011-01-11 Alpine Electronics, Inc Method and apparatus to estimate vehicle position and recognized landmark positions using GPS and camera
US8660338B2 (en) * 2011-03-22 2014-02-25 Honeywell International Inc. Wide baseline feature matching using collobrative navigation and digital terrain elevation data constraints
JP2015052548A (ja) * 2013-09-09 2015-03-19 富士重工業株式会社 車外環境認識装置
CN204881653U (zh) * 2015-08-26 2015-12-16 莆田市云驰新能源汽车研究院有限公司 一种高精度定位的实景视频导航系统
CN107192396A (zh) * 2017-02-13 2017-09-22 问众智能信息科技（北京）有限公司 汽车精确导航方法和装置
US10551509B2 (en) * 2017-06-30 2020-02-04 GM Global Technology Operations LLC Methods and systems for vehicle localization
US20190178676A1 (en) * 2017-12-12 2019-06-13 Amuse Travel Co., Ltd. System and method for providing navigation service of disabled person
CN112212828A (zh) * 2019-07-11 2021-01-12 成都唐源电气股份有限公司 一种基于双目视觉的定位器坡度测量方法
CN111650944B (zh) * 2019-07-12 2021-05-04 西华大学 提高行车安全的汽车自动驾驶并线控制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020124440A1 (en) * 2018-12-18 2020-06-25 Beijing Voyager Technology Co., Ltd. Systems and methods for processing traffic objects

Also Published As

Publication number Publication date
CN112945244A (zh) 2021-06-11
CN115164911A (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
CN108960183B (zh) 一种基于多传感器融合的弯道目标识别系统及方法
CN108216229B (zh) 交通工具、道路线检测和驾驶控制方法及装置
US20220148318A1 (en) Traffic light recognition method and apparatus
EP3836018B1 (en) Method and apparatus for determining road information data and computer storage medium
CN102208036B (zh) 车辆位置检测系统
CN112945244B (zh) 适用于复杂立交桥的快速导航系统及导航方法
CN113359709B (zh) 一种基于数字孪生的无人驾驶运动规划方法
CN108594244B (zh) 基于立体视觉和激光雷达的障碍物识别迁移学习方法
CN110356412A (zh) 用于自主驾驶的自动规则学习的方法和设备
CN111931683B (zh) 图像识别方法、装置及计算机可读存储介质
CN106446785A (zh) 基于双目视觉的可行道路检测方法
CN113903011A (zh) 一种适用于室内停车场的语义地图构建及定位方法
CN113362394A (zh) 一种基于视觉语义分割技术的车辆实时定位方法
CN112861748A (zh) 一种自动驾驶中的红绿灯检测系统及方法
KR20220013439A (ko) 고정밀지도생성장치 및 고정밀지도생성방법
US20220215561A1 (en) Semantic-assisted multi-resolution point cloud registration
CN112257668A (zh) 主辅路判断方法、装置、电子设备及存储介质
CN110472508B (zh) 基于深度学习和双目视觉的车道线测距方法
CN111723672B (zh) 一种视频识别行车轨迹获取方法、装置及存储介质
Chougula et al. Road segmentation for autonomous vehicle: A review
CN117152513A (zh) 一种面向夜间场景的车辆边界定位方法
CN111950524A (zh) 一种基于双目视觉和rtk的果园局部稀疏建图方法和系统
CN111754388A (zh) 一种建图方法及车载终端
CN115249345A (zh) 一种基于倾斜摄影三维实景地图的交通拥堵检测方法
CN115472037A (zh) 一种基于场端定位的辅助泊车方法

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
TA01 Transfer of patent application right

Effective date of registration: 20220921

Address after: Room 6209, 2nd Floor, Building 6, No. 2511, Huancheng West Road, Nanqiao Town, Fengxian District, Shanghai, 201499

Applicant after: Shanghai Boqi Intelligent Technology Co.,Ltd.

Address before: Xihua University, 999 Jinzhou Road, Jinniu District, Chengdu, Sichuan 610039

Applicant before: XIHUA University

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant