CN112985428B - 基于安全角度的高精传感地图的图层的优先级参取方法 - Google Patents
基于安全角度的高精传感地图的图层的优先级参取方法 Download PDFInfo
- Publication number
- CN112985428B CN112985428B CN202110433597.9A CN202110433597A CN112985428B CN 112985428 B CN112985428 B CN 112985428B CN 202110433597 A CN202110433597 A CN 202110433597A CN 112985428 B CN112985428 B CN 112985428B
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- real
- map
- environment
- 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
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
- G01C21/30—Map- or contour-matching
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于安全角度的高精传感地图的图层的优先级参取方法,包括步骤:S1构建高精地图的多层数据模型并进行归类处理;S2梳理图层间的先后顺序确定基本要素的图层参与形式;S3检查传感器设备的状态,从传感器设备的数据中获取障碍物的点作点距统计,判断点距数据是否有波动变化,若无波动变化则至步骤S6,若有波动变化则至步骤S4;S4判断点距数据是否处于复杂环境,若处于复杂环境中转步骤S5;若处于非复杂环境则至步骤S6;S5根据实时图层加权系数的变化,进行图层优先级控制,并实现高精地图载体预警及控制行为干预,循环该步骤直至离开复杂环境;S6当处于非复杂环境时则进行动态提升高精度地图特征类图层优先级。
Description
技术领域
本发明涉及高精地图以及无人控制技术领域,尤其涉及一种基于安全角度的高精传感地图的图层的优先级参取方法。
背景技术
随着自动驾驶技术的发展,面向特定场景下的自主代客泊车技术有望实现最早的落地。国内外各大车企及无人驾驶科技公司纷纷将其作为发展的重点对象,以期望获得最早的商业应用。是指通过各种传感器来感知车辆周围环境,并根据感知所获得的道路、车辆位置和障碍物信息等,控制车辆的转向和速度,从而使车辆能够安全、可靠地在道路上行驶。
高精地图的数据模型由多数据层构成,现阶段在行业以及研究领域上缺乏统一标准,参考较多的是OpenDrive等相关对标的分类以及内容组成的特点。BOSCH公司最早于2007年发布局部动态地图的概念,将高精地图分为4层:静态数据层、半静态数据层、半动态数据层以及动态数据层。也有学者提出“新4层”的概念:静态地图层、实时数据层、动态数据层以及用户模型层,但会面临一些问题,在终端使用层面上会出现例如对芯片占用率过高而降低设备的鲁棒性,并且端到端通讯等方式会存在亢余信息过多、难以对多目标同步优化等问题;在维护升级上,单次更新地图数据的工作量巨大,成本偏高使高精地图的使用场景难以扩大等问题。
中国发明专利文献(申请号:201811202808.2)公开了一种面向无人驾驶汽车的高精度语义地图制作方法,采用三维激光雷达、GNSS模块、IMU对数据进行采集,处理后的数据包含丰富的语义信息,如车道线、道路边缘和行驶轨迹等,为无人驾驶汽车的局部路径规划提供了数据基础。该技术方案采用的方法并不能保证剔除动态障碍物信息后的数据即为地图信息数据,例如随风摆动的线杆、临时站立的人、浓烈的灰尘等,会出现较大的剔除错误。另外,其生成的地图信息为车辆规划使用的局部地图,并不做全局地图的规划。
中国发明专利CN201811254199.5号专利公开了一种港口无人驾驶集装箱卡车高精地图生成方法,采用搭载GNSS/IMU设备的有人驾驶卡车,采集港口的道路最左侧道路中心线轨迹,多次重复采集同一条车道的信息,再通过离线数据进行地图的人工绘制,结合卫星地图,根据第一次绘制的轨迹绘制出其他车道的轨迹,然后再编辑道路的其他属性,最终生成港口无人驾驶需要的高精地图。利采用的方法只适合粗略的地图模型建立,人为的依据建立的模型进行生产调度的设计,不适用于复杂环境。
因此,需要对高精地图的数据模型做重新划分,通过提高数据类型单元可提取化的方式用于不同级别自动驾驶(L0~L4)的适用能力,有针对的数据层更新提高单次维护效率并降低维护成本;图层优先级保证在不同行驶环境下的安全行驶,对高速行驶条件下障碍物的提前预警。
因此,有必要开发一种控制方法在硬件系统有限的条件下提升图层的读取优先级保证整个高精地图载体的鲁棒性的基于安全角度的高精传感地图的图层的优先级参取方法,实现在不同的路况条件下完成高速行驶的预警和自适应控制,提高无人控制载体的使用效率与其安全性。
发明内容
本发明要解决的技术问题是提供一种控制方法在硬件系统有限的条件下提升图层的读取优先级保证整个高精地图载体的鲁棒性的基于安全角度的高精传感地图的图层的优先级参取方法,实现在不同的路况条件下完成高速行驶的预警和自适应控制,提高无人控制载体的使用效率与其安全性。
为了解决上述技术问题,本发明采用的技术方案是:该基于安全角度的高精传感地图的图层的优先级参取方法,具体包括以下步骤:
S1:构建高精地图的多层数据模型,将多层数据模型进行归类处理,并输入传感器设备的数据;
S2:梳理图层间的先后顺序,确定基本要素的图层参与形式;
S3:检查传感器设备的状态,从传感器设备的数据中获取障碍物上的点作对应位置的配准和测距,并作点距统计,获得点距数据,并判断点距数据是否有波动变化,若点距数据无波动变化,则转至步骤S6;若点距数据有波动变化,则转至步骤S4;
S4:若点距数据有波动变化,则判断点距数据的波动变化是否处于复杂环境,若点距数据的波动变化处于复杂环境中则转至步骤S5,若点距数据的波动变化处于非复杂环境则转至步骤S6;
S5:若点距数据的波动变化处于复杂环境中,根据实时图层加权系数的变化,计算资源按实时环境类权重比例分配,进行图层优先级控制,并实现高精地图载体预警及控制行为干预,循环该步骤直至离开复杂环境即完成复杂环境的运行;
S6:当处于非复杂环境时则进行动态提升高精度地图特征类图层优先级,实现图层优先级控制以及载体行为控制;若动态提升过程中出现点距统计函数波动变化或高精地图载体处于复杂环境中,则返回步骤S5,并随点距统计函数数值的增大调整载体运行状态,在保证行驶方向路径以及规则的条件下完成复杂环境的运行。
采用上述技术方案,将高精地图数据进行归类处理,在保证绝对安全的基础上,通过图层加权系数的方式增加高精地图单一图层的使用权重,在多个高精地图图层叠加的情况下放大实时环境数据的细微波动,加权系数随载体动作以及周围环境变化改变,在不同的路况条件下完成高速行驶的预警和自适应控制,提高无人控制载体的使用效率与其安全性。
作为本发明的优选技术方案,所述步骤S1中的所述多层数据模型分为三类七层结构,第一类高精地图特征,第二类实时环境,第三类决策传输;所述第一类高精地图特征包括常规路网层、路网细节层和3D特征层,所述第二类实时环境包括宏观动态层和实时环境层;所述第三类决策传输包括深度学习层和决策控制层。
作为本发明的优选技术方案,所述步骤S2中在高精地图特征类的图层中,常规路网层和路网细节层所使用的频次高,确定高精地图特征类随时间变化的公式为:
M(t)=Kp{C(t),D(t)};
其中M(t)表示高精地图特征类随时间变化的类函数,Kp表示在高精地图特征类的图层加权系数,C(t)表示常规路网层的函数,D(t)表示路网细节层的函数。
当在实时环境类中,所述宏观动态层包含GPS/北斗导航的数据对接和交通发布信息,在复杂交通环境时为GPS/北斗导航的数据对接;所述实时环境层对接车载感应器端,所述车载感应器端是实时环境的数据采集器,在复杂交通环境中优先级高,确定实时环境类随时间变化的公式为:
R(t)=Kt{H(t),A(t)};
其中R(t)表示实时环境类随时间变化的类函数,Kt表示在实时环境类的图层加权系数,H(t)表示宏观动态层的函数,A(t)表示实时环境层的函数。
作为本发明的优选技术方案,所述步骤S3中作点距统计的公式为:
其中F(x,y)为点距数据,x是对应的经度坐标位置,y是对应的纬度坐标位置;M*M是配准模块,N*N是识别模块,并同时经过L次的低频滤波,k表示灰度,W是图像频谱统计特性函数,W(k,l,x,y)表示识别模块中灰度k与配准1的匹配关系,此时窗口在(x,y)位置,S是加权系数,其选取与W、实时环境、配准模块和H以及识别模块和G的动态取值有关。
作为本发明的优选技术方案,所述步骤S5中对高精地图图层的动态选取过程中,图层加权系数随传感器数据集以及载体动作变化而改变,对突发状况预警以及放大数据效应决定图层优先级进程顺序,公式为:
Kp=1-Z{Kt,F(x,y)};
其中Kp表示高精地图特征类的图层加权系数,Kt表示在实时环境类的图层加权系数,Z为实时环境层的图层修正函数;Kt与F(x,y)产生阶梯函数关系,随F(x,y)数值的增大而增大,则实时环境类权重变大。当点距统计函数波动变化或高精地图载体处于复杂环境中,实时环境图层加权系数变化,除保留高精地图特征类的基本方向、路线属性等基础导航信息外,其余计算资源按照实时环境类权重比例分配;随点距统计函数数值的增大调整载体运行状态,对危险的提前预警,在保证基本行驶方向路径以及规则的条件下完成复杂环境的运行。
作为本发明的优选技术方案,所述第一类高精地图特征是基于路网模型和差分定位模型将高精地图特征数据分为常规路网层、路网细节层和3D特征层;所述常规路网层采用多线激光雷达的采集方式对路面点云化处理,包含路线以及周边环境的信息;输入为处理完成的点云数据集,输出为常规基本道路的机器使用语言;所述路网细节层包含非常规路网的道路部件信息,包含交通标志牌、路面标志、车道线、车道中心线、车道连接线、信号灯、斑马线、车道地理特征以及车道分割物的数据集,输入为集中采集的道路部件数据集,输出为道路部件的三维坐标以及机器可读懂的部件含义语言;所述3D特征层包含常规路网层和路网细节层的渲染数据集,利用立体视觉处理技术与摄像头传感装置的数据做同步渲染比对,输入为两层道路基本特征层,输出为实景数据集与三维矢量场的片状平滑数据集与实景数据集。常规路网层采用多线激光雷达的采集方式对路面点云化处理,以5cm*5cm的网格精度,包含路线以及周边环境的信息。
作为本发明的优选技术方案,所述第二类实时环境是基于常规导航模型、卷积神经网络模型以及V2X通讯模型将实时环境数据分为宏观动态层和实时环境层;其中所述宏观动态层包含GPS/北斗导航的基础定位信息和交通管制的宏观动态信息,输入为定位信息和特征层的坐标信息集,输出为机器可读的决策参考数据集;所述实时环境层为包含IMU、双目3D感知以及无人驾驶感知系统汇集的实时动态数据层,输入为传感器端数据集,输出为决策控制层可读的数据集。
作为本发明的优选技术方案,所述第三类决策传输是基于Deeplab V3+网络的学习结构和决策控制模型将决策传输数据分为深度学习层和决策控制层;所述深度学习层包含增强学习的基本算法以及帮助决策算法,输入为周围环境的图像、点云以及传感器数据集,输出为相应的最优行为信息;所述决策控制层包含路由寻径、行为决策、动作规划和反馈控制的决策控制设计方案,输入为POI数据以及各层参考数据,输出为无人设备控制指令和动作。
与现有技术相比,本发明具有的有益效果为:
(1)该基于安全角度的高精传感地图的图层的优先级参取方法在硬件系统有限的条件下提升图层的读取优先级保证整个高精地图载体的鲁棒性;
(2)该基于安全角度的高精传感地图的图层的优先级参取方法对高精地图的数据模型做重新划分,通过提高数据类型单元可提取化的方式用于不同级别自动驾驶(L0~L4)的适用能力,有针对的数据层更新提高单次维护效率并降低维护成本;
(3)该基于安全角度的高精传感地图的图层的优先级参取方法控制图层优先级保证在不同行驶环境下的安全行驶,对高速行驶条件下障碍物的提前预警;
(4)该基于安全角度的高精传感地图的图层的优先级参取方法在高精地图载体高速运行过程中提升系统对危险环境的敏感性,在常规运行过程中在保证效率的同时减少硬件资源的消耗量。
附图说明
图1为本发明的基于安全角度的高精传感地图的图层的优先级参取方法的流程图;
图2为本发明的基于安全角度的高精传感地图的图层的优先级参取方法的高精地图模型分类分层结构示意图。
具体实施方式
下面将结合本发明的实施例图中的附图,对本发明实施例中的技术方案进行清楚、完整的描述。
实施例:如图1所示,该基于安全角度的高精传感地图的图层的优先级参取方法,具体包括以下步骤:
S1:构建高精地图的多层数据模型,在对道路部件以及实时状态的分层构建适度降低各图层间的耦合关系,将多层数据模型进行归类处理,并输入传感器设备的数据;
如图2所示,所述步骤S1中的所述多层数据模型分为三类七层结构,第一类高精地图特征,第二类实时环境,第三类决策传输;所述第一类高精地图特征包括常规路网层、路网细节层和3D特征层,所述第二类实时环境包括宏观动态层和实时环境层;所述第三类决策传输包括深度学习层和决策控制层;
所述第一类高精地图特征是基于路网模型和差分定位模型将高精地图特征数据分为常规路网层、路网细节层和3D特征层;所述常规路网层采用多线激光雷达的采集方式对路面点云化处理,以5cm*5cm的网格精度,包含路线以及周边环境的信息;输入为处理完成的点云数据集,输出为常规基本道路的机器使用语言;所述路网细节层包含非常规路网的道路部件信息,包含交通标志牌、路面标志、车道线、车道中心线、车道连接线、信号灯、斑马线、车道地理特征以及车道分割物的数据集,输入为集中采集的道路部件数据集,输出为道路部件的三维坐标以及机器可读懂的部件含义语言;所述3D特征层包含常规路网层和路网细节层的渲染数据集,利用立体视觉处理技术与摄像头传感装置的数据做同步渲染比对,输入为两层道路基本特征层,输出为实景数据集与三维矢量场的片状平滑数据集与实景数据集;
所述第二类实时环境是基于常规导航模型、卷积神经网络模型以及V2X通讯模型将实时环境数据分为宏观动态层和实时环境层;其中所述宏观动态层包含GPS/北斗导航的基础定位信息和交通管制的宏观动态信息,输入为定位信息和特征层的坐标信息集,输出为机器可读的决策参考数据集;所述实时环境层为包含IMU、双目3D感知以及无人驾驶感知系统汇集的实时动态数据层,输入为传感器端数据集,输出为决策控制层可读的数据集;
所述第三类决策传输是基于Deeplab V3+网络的学习结构和决策控制模型将决策传输数据分为深度学习层和决策控制层;所述深度学习层包含增强学习的基本算法以及帮助决策算法,输入为周围环境的图像、点云以及传感器数据集,输出为相应的最优行为信息;所述决策控制层包含路由寻径、行为决策、动作规划和反馈控制的决策控制设计方案,输入为POI数据以及各层参考数据,输出为无人设备控制指令和动作;
S2:梳理图层问的先后顺序,确定基本要素的图层参与形式;在实际运用中,常规路况受道路管制、控制需求以及地理特性的影响,实时环境图层影响较小;而在复杂路况环境下受障碍物多路径变化的影响,基本路网信息影响较小;在高精地图特征类图层,常规路网层和路网细节层所使用的频次较高,确定高精地图特征类随时间变化的公式为:
M(t)=Kp{C(t),D(t)};
其中M(t)表示高精地图特征类随时间变化的类函数,Kp表示在高精地图特征类的图层加权系数,C(t)表示常规路网层的函数,D(t)表示路网细节层的函数。
当在实时环境类中,所述宏观动态层包含GPS/北斗导航的数据对接和交通发布信息,在复杂交通环境时为GPS/北斗导航的数据对接;所述实时环境层对接车载感应器端,所述车载感应器端是实时环境的数据采集器,在复杂交通环境中优先级高,确定实时环境类随时间变化的公式为:
R(t)=Kt{H(t),A(t)};
其中R(t)表示实时环境类随时间变化的类函数,Kt表示在实时环境类的图层加权系数,H(t)表示宏观动态层的函数,A(t)表示实时环境层的函数。
S3:检查传感器设备的状态,从传感器设备的数据中获取障碍物上的点作对应位置的配准和测距,并作点距统计,获得点距数据,并判断点距数据是否有波动变化,若点距数据无波动变化,则转至步骤S6;若点距数据有波动变化,则转至步骤S4;
作点距统计的公式为:
其中F(x,y)为点距数据,x是对应的经度坐标位置,y是对应的纬度坐标位置;M*M是配准模块,N*N是识别模块,并同时经过L次的低频滤波,k表示灰度,W是图像频谱统计特性函数,W(k,l,x,y)表示识别模块中灰度k与配准1的匹配关系,此时窗口在(x,y)位置,S是加权系数,其选取与W、实时环境、配准模块和H以及识别模块和G的动态取值有关;
S4:若点距数据有波动变化,则判断点距数据的波动变化是否处于复杂环境,若点距数据的波动变化处于复杂环境中则转至步骤S5,若点距数据的波动变化处于非复杂环境则转至步骤S6;
S5:若点距数据的波动变化处于复杂环境中,根据实时图层加权系数的变化,计算资源按实时环境类权重比例分配,进行图层优先级控制,并实现高精地图载体预警及控制行为干预,循环该步骤直至离开复杂环境即完成复杂环境的运行;
所述步骤S5中对高精地图图层的动态选取过程中,图层加权系数随传感器数据集以及载体动作变化而改变,对突发状况预警以及放大数据效应决定图层优先级进程顺序,公式为:
Kp=1-Z{Kt,F(x,y)};
其中Kp表示高精地图特征类的图层加权系数,Kt表示在实时环境类的图层加权系数,Z为实时环境层的图层修正函数;Kt与F(x,y)产生阶梯函数关系,随F(x,y)数值的增大而增大,则实时环境类权重变大。当点距统计函数波动变化或高精地图载体处于复杂环境中,实时环境图层加权系数变化,除保留高精地图特征类的基本方向、路线属性等基础导航信息外,其余计算资源按照实时环境类权重比例分配;随点距统计函数数值的增大调整载体运行状态,对危险的提前预警,在保证基本方向路径以及规则的条件下完成复杂环境的运行;
S6:当处于非复杂环境时则进行动态提升高精度地图特征类图层优先级,实现图层优先级控制以及载体行为控制;若动态提升过程中出现点距统计函数波动变化或高精地图载体处于复杂环境中,则返回步骤S5,并随点距统计函数数值的增大调整载体运行状态,在保证行驶方向路径以及规则的条件下完成复杂环境的运行。
以上所述仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于安全角度的高精传感地图的图层的优先级参取方法,其特征在于,具体包括以下步骤:
S1:构建高精地图的多层数据模型,将多层数据模型进行归类处理,并输入传感器设备的数据;
S2:梳理图层间的先后顺序,确定基本要素的图层参与形式;
S3:检查传感器设备的状态,从传感器设备的数据中获取障碍物上的点作对应位置的配准和测距,并作点距统计,获得点距数据,并判断点距数据是否有波动变化,若点距数据无波动变化,则转至步骤S6;若点距数据有波动变化,则转至步骤S4;
S4:若点距数据有波动变化,则判断点距数据的波动变化是否处于复杂环境,若点距数据的波动变化处于复杂环境中则转至步骤S5,若点距数据的波动变化处于非复杂环境则转至步骤S6;
S5:若点距数据的波动变化处于复杂环境中,根据实时图层加权系数的变化,计算资源按实时环境类权重比例分配,进行图层优先级控制,并实现高精地图载体预警及控制行为干预,循环该步骤直至离开复杂环境即完成复杂环境的运行;
S6:当处于非复杂环境时则进行动态提升高精度地图特征类图层优先级,实现图层优先级控制以及载体行为控制;若动态提升过程中出现点距统计函数波动变化或高精地图载体处于复杂环境中,则返回步骤S5,并随点距统计函数数值的增大调整载体运行状态,在保证行驶方向路径以及规则的条件下完成复杂环境的运行。
2.根据权利要求1所述的基于安全角度的高精传感地图的图层的优先级参取方法,其特征在于,所述步骤S1中的所述多层数据模型分为三类七层结构,第一类高精地图特征,第二类实时环境,第三类决策传输;所述第一类高精地图特征包括常规路网层、路网细节层和3D特征层,所述第二类实时环境包括宏观动态层和实时环境层;所述第三类决策传输包括深度学习层和决策控制层。
3.根据权利要求2所述的基于安全角度的高精传感地图的图层的优先级参取方法,其特征在于,所述步骤S2中在高精地图特征类的图层中,常规路网层和路网细节层所使用的频次高,确定高精地图特征类随时间变化的公式为:
M(t)=Kp{C(t),D(t)};
其中M(t)表示高精地图特征类随时间变化的类函数,Kp表示在高精地图特征类的图层加权系数,C(t)表示常规路网层的函数,D(t)表示路网细节层的函数;
当在实时环境类中,所述宏观动态层包含GPS/北斗导航的数据对接和交通发布信息,在复杂交通环境时为GPS/北斗导航的数据对接;所述实时环境层对接车载感应器端,所述车载感应器端是实时环境的数据采集器,在复杂交通环境中优先级高,确定实时环境类随时间变化的公式为:
R(t)=Kf{H(t),A(t)};
其中R(t)表示实时环境类随时间变化的类函数,Kt表示在实时环境类的图层加权系数,H(t)表示宏观动态层的函数,A(t)表示实时环境层的函数。
5.根据权利要求4所述的基于安全角度的高精传感地图的图层的优先级参取方法,其特征在于,所述步骤S5中对高精地图图层的动态选取过程中,图层加权系数随传感器数据集以及载体动作变化而改变,对突发状况预警以及放大数据效应决定图层优先级进程顺序,公式为:
Kp=1-Z{Kt,F(x,y)};
其中Kp表示高精地图特征类的图层加权系数,Kt表示在实时环境类的图层加权系数,Z为实时环境层的图层修正函数;Kt与F(x,y)产生阶梯函数关系,随F(x,y)数值的增大而增大,则实时环境类权重变大。
6.根据权利要求3所述的基于安全角度的高精传感地图的图层的优先级参取方法,其特征在于,所述第一类高精地图特征是基于路网模型和差分定位模型将高精地图特征数据分为常规路网层、路网细节层和3D特征层;所述常规路网层采用多线激光雷达的采集方式对路面点云化处理,包含路线以及周边环境的信息;输入为处理完成的点云数据集,输出为常规基本道路的机器使用语言;所述路网细节层包含非常规路网的道路部件信息,包含交通标志牌、路面标志、车道线、车道中心线、车道连接线、信号灯、斑马线、车道地理特征以及车道分割物的数据集,输入为集中采集的道路部件数据集,输出为道路部件的三维坐标以及机器可读懂的部件含义语言;所述3D特征层包含常规路网层和路网细节层的渲染数据集,利用立体视觉处理技术与摄像头传感装置的数据做同步渲染比对,输入为两层道路基本特征层,输出为实景数据集与三维矢量场的片状平滑数据集与实景数据集。
7.根据权利要求3所述的基于安全角度的高精传感地图的图层的优先级参取方法,其特征在于,所述第二类实时环境是基于常规导航模型、卷积神经网络模型以及V2X通讯模型将实时环境数据分为宏观动态层和实时环境层;其中所述宏观动态层包含GPS/北斗导航的基础定位信息和交通管制的宏观动态信息,输入为定位信息和特征层的坐标信息集,输出为机器可读的决策参考数据集;所述实时环境层为包含IMU、双目3D感知以及无人驾驶感知系统汇集的实时动态数据层,输入为传感器端数据集,输出为决策控制层可读的数据集。
8.根据权利要求3所述的基于安全角度的高精传感地图的图层的优先级参取方法,其特征在于,所述第三类决策传输是基于Deeplab V3+网络的学习结构和决策控制模型将决策传输数据分为深度学习层和决策控制层;所述深度学习层包含增强学习的基本算法以及帮助决策算法,输入为周围环境的图像、点云以及传感器数据集,输出为相应的最优行为信息;所述决策控制层包含路由寻径、行为决策、动作规划和反馈控制的决策控制设计方案,输入为POI数据以及各层参考数据,输出为无人设备控制指令和动作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110433597.9A CN112985428B (zh) | 2021-04-22 | 2021-04-22 | 基于安全角度的高精传感地图的图层的优先级参取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110433597.9A CN112985428B (zh) | 2021-04-22 | 2021-04-22 | 基于安全角度的高精传感地图的图层的优先级参取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112985428A CN112985428A (zh) | 2021-06-18 |
CN112985428B true CN112985428B (zh) | 2021-08-17 |
Family
ID=76341635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110433597.9A Active CN112985428B (zh) | 2021-04-22 | 2021-04-22 | 基于安全角度的高精传感地图的图层的优先级参取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112985428B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779040B (zh) * | 2021-09-29 | 2024-02-13 | 重庆链图信息技术有限公司 | 一种渐进式在线高精地图服务引擎系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105589869B (zh) * | 2014-10-22 | 2019-08-23 | 方正国际软件(北京)有限公司 | 一种地理信息系统注记的生成方法及装置 |
EP3335495B1 (en) * | 2015-08-12 | 2020-07-29 | Intel Corporation | Resource access in device to device communication |
CN105632327B (zh) * | 2015-12-24 | 2018-03-20 | 东南大学 | 一种带有道路曲率的增强型数字矢量地图制作方法 |
IL246446B (en) * | 2016-06-23 | 2018-01-31 | Elbit Systems Ltd | Combined display of vector map and scan information |
CN111524445B (zh) * | 2019-02-01 | 2022-04-29 | 阿里巴巴集团控股有限公司 | 地图生成方法、装置、电子设备及可读存储介质 |
CN110220521B (zh) * | 2019-05-24 | 2023-07-07 | 上海蔚来汽车有限公司 | 一种高精地图的生成方法和装置 |
CN110864696A (zh) * | 2019-09-19 | 2020-03-06 | 福建农林大学 | 一种基于车载激光惯导数据的三维高精地图绘制方法 |
CN112286184B (zh) * | 2020-09-30 | 2023-02-24 | 广东唯仁医疗科技有限公司 | 一种基于5g网络的户外勘测机器人控制方法 |
-
2021
- 2021-04-22 CN CN202110433597.9A patent/CN112985428B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112985428A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109341706B (zh) | 一种面向无人驾驶汽车的多特征融合地图的制作方法 | |
CN108955702B (zh) | 基于三维激光和gps惯性导航系统的车道级地图创建系统 | |
CN109186625B (zh) | 智能车辆利用混合采样滤波进行精确定位的方法及系统 | |
CN109946731B (zh) | 一种基于模糊自适应无迹卡尔曼滤波的车辆高可靠融合定位方法 | |
CN112650220B (zh) | 一种车辆自动驾驶方法、车载控制器及系统 | |
Sun et al. | Proximity based automatic data annotation for autonomous driving | |
CN110715671B (zh) | 三维地图生成方法、装置、车辆导航设备和无人驾驶车辆 | |
WO2021003452A1 (en) | Determination of lane connectivity at traffic intersections for high definition maps | |
CN113945206A (zh) | 一种基于多传感器融合的定位方法及装置 | |
US11151394B2 (en) | Identifying dynamic objects in a point cloud | |
CN111324848B (zh) | 移动激光雷达测量系统车载轨迹数据优化方法 | |
CN112577506B (zh) | 一种自动驾驶局部路径规划方法和系统 | |
Wu et al. | Robust LiDAR-based localization scheme for unmanned ground vehicle via multisensor fusion | |
CN114299464A (zh) | 车道定位方法、装置及设备 | |
CN114323033A (zh) | 基于车道线和特征点的定位方法、设备及自动驾驶车辆 | |
CN116518960B (zh) | 路网更新方法、装置、电子设备和存储介质 | |
US20230121226A1 (en) | Determining weights of points of a point cloud based on geometric features | |
CN112985428B (zh) | 基于安全角度的高精传感地图的图层的优先级参取方法 | |
CN116129066A (zh) | 基于数字孪生的自动驾驶高精度地图模型及高精度静态地图制作方法 | |
CN115792985A (zh) | 一种车辆定位方法、装置、电子设备、存储介质及车辆 | |
CN112747752B (zh) | 基于激光里程计的车辆定位方法、装置、设备和存储介质 | |
CN115046541A (zh) | 一种地下矿山环境下的拓扑地图构建与矿车定位系统 | |
CN114637305A (zh) | 一种无人机最短路径规划方法及装置 | |
CN113850915A (zh) | 一种基于Autoware的车辆循迹方法 | |
Noureldin et al. | a Framework for Multi-Sensor Positioning and Mapping for Autonomous Vehicles |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 210042 8 Blocks 699-22 Xuanwu Avenue, Xuanwu District, Nanjing City, Jiangsu Province Patentee after: Speed Technology Co.,Ltd. Address before: 210042 8 Blocks 699-22 Xuanwu Avenue, Xuanwu District, Nanjing City, Jiangsu Province Patentee before: SPEED TIME AND SPACE INFORMATION TECHNOLOGY Co.,Ltd. |