CN113569782A - 基于人工智能与激光雷达的自由流速度估计方法及系统 - Google Patents
基于人工智能与激光雷达的自由流速度估计方法及系统 Download PDFInfo
- Publication number
- CN113569782A CN113569782A CN202110889096.1A CN202110889096A CN113569782A CN 113569782 A CN113569782 A CN 113569782A CN 202110889096 A CN202110889096 A CN 202110889096A CN 113569782 A CN113569782 A CN 113569782A
- Authority
- CN
- China
- Prior art keywords
- road section
- sub
- difference
- image
- feature
- 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
Classifications
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Abstract
本发明提供了一种基于人工智能与激光雷达的自由流速度估计方法及系统,该方法包括:根据路段的点云数据、正射图、纹理特征图和融合差异特征图,估计路段的自由流速度;其中,融合差异特征图由最大高度差差异图、平均高度差异图和高度方差差异图联合得到;以最大高度差差异图为例,说明每个差异图的获取方法:子路段及其第一缓冲子区域和第二缓冲子区域中任意两个区域的最大高度差的差值的和为第一数值,在获取的路段轮廓图中对各子路段的像素以相应的第一数值进行像素值填充,获取最大高度差差异图。本发明基于道路两侧的缓冲区域进行分析,获取的融合差异特征图可以有效反映出道路及道路附近区域的高度差异,进而提高自由流速度估计的准确度。
Description
技术领域
本发明涉及交通领域,具体为一种基于人工智能与激光雷达的自由流速度估计方法及系统。
背景技术
自由流速度建模是交通工程中的一个重要问题,在公路系统的各种设计、运行、规划和决策中都有应用。传统的估算自由流速度的方法是使用路段的基本几何特性,如坡度、曲率、车道宽度、横向净空和入口密度等进行自由流速度的估算,但大规模的收集路段的基本数据既昂贵又耗时,且对于处于特殊地理位置的路段,这些特性数据是不可用的。
发明内容
为了解决上述问题,本发明提出一种基于人工智能与激光雷达的自由流速度估计方法,该方法包括:
路段的点云数据、正射图、纹理特征图和融合差异特征图输入速度估计神经网络中,进行路段自由流速度的估计;其中,融合差异特征图的获取方法为:
对路段进行子路段划分,对于每个子路段,基于点云数据,分别在子路段区域、子路段两侧第一缓冲子区域和第二缓冲子区域内计算道路特征值,道路特征值包括最大高度差、平均高度和高度方差;
子路段区域及其第一缓冲子区域和第二缓冲子区域中任意两个区域的最大高度差的差值的和为第一数值,在获取的路段轮廓图中对各子路段的像素以相应的第一数值进行像素值填充,获取最大高度差差异图;同理,获取平均高度差异图和高度方差差异图;最大高度差差异图、平均高度差异图和高度方差差异图联合得到融合差异特征图。
进一步地,所述点云数据进行点云下采样后输入速度估计神经网络。
进一步地,所述速度估计神经网络包括点云编码器、正射图编码器、纹理特征编码器、融合差异特征编码器、全连接层。
进一步地,点云编码器、正射图编码器、纹理特征编码器和融合差异特征编码器分别对点云数据、正射图、纹理特征图和融合差异特征图进行特征拟合,得到第一特征向量、第二特征向量、第三特征向量、第四特征向量,得到的所有特征向量进行联合后输入全连接层,得到估计的自由流速度。
进一步地,所述正射图为RGB图。
本发明还提出一种基于人工智能与激光雷达的自由流速度估计系统,该系统包括:
自由流速度估计模块,用于将路段的点云数据、正射图、纹理特征图和融合差异特征图输入速度估计神经网络中,进行路段自由流速度的估计;其中,融合差异特征图的获取步骤为:
对路段进行子路段划分,对于每个子路段,基于点云数据,分别在子路段区域、子路段两侧第一缓冲子区域和第二缓冲子区域内计算道路特征值,道路特征值包括最大高度差、平均高度和高度方差;
子路段区域及其第一缓冲子区域和第二缓冲子区域中任意两个区域的最大高度差的差值的和为第一数值,在获取的路段轮廓图中对各子路段的像素以相应的第一数值进行像素值填充,获取最大高度差差异图;同理,获取平均高度差异图和高度方差差异图;最大高度差差异图、平均高度差异图和高度方差差异图联合得到融合差异特征图。
进一步地,所述点云数据进行点云下采样后输入速度估计神经网络。
进一步地,所述速度估计神经网络包括点云编码器、正射图编码器、纹理特征编码器、融合差异特征编码器、全连接层。
进一步地,点云编码器、正射图编码器、纹理特征编码器和融合差异特征编码器分别对点云数据、正射图、纹理特征图和融合差异特征图进行特征拟合,得到第一特征向量、第二特征向量、第三特征向量、第四特征向量,得到的所有特征向量进行联合后输入全连接层,得到估计的自由流速度。
进一步地,所述正射图为RGB图。
本发明的有益效果在于:
1.本发明基于道路两侧的缓冲区域进行分析,获取的融合差异特征图可以有效反映出道路及道路附近区域的高度差异,进而提高自由流速度估计的准确度,基于此,本发明可以精确的估计处于特殊地理位置如处于悬崖峭壁上的路段的自由流速度。
2.本发明提供了一种完全自动化的方法用于估计自由流速度,而不需要显式的几何特征,减少了估计自由流速度时的工作量。
具体实施方式
为了让本领域技术人员更好的理解本发明,下面结合实施例对本发明进行详细描述。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
实施例一:
该实施例提供了一种基于人工智能与激光雷达的自由流速度估计方法,具体地,该方法包括:
1)获取道路上某一路段的点云数据和正射图。
用机载激光雷达和相机分别获取道路路段的点云数据及正射图数据,所述正射图为RGB图,然后从点云中提取特征代替显式道路几何特征,与通常受到瞬态效应例如天气影响的图像数据相比,三维点云具有视点不变性,对天气和光照条件具有鲁棒性,并且提供了二维图像中不存在的显式三维信息,提供了补充数据源。
为了后续提高自由流速度估计的精度,需要结合三维点云和二维图像两种数据,即融合从正射图中提取的视觉特征和从点云中提取的几何特征,具体地,需要在地理空间上将点云特征与图像中的视觉特征对齐,优选地,所述对齐可基于大地坐标系来对齐。
2)获取道路上某一路段的纹理特征图。
或多或少有规律的空间模式的存在导致了对比、粗糙、精细、光滑、颗粒状、规则、不规则等纹理的视觉感受,道路上纹理的变化会影响司机的驾驶,因此获取正射图的纹理特征,实施例中纹理特征的提取方法,优选的采用灰度共生矩阵方法,提取出正射图中每个像素的灰度共生矩阵,然后基于每个像素的灰度共生矩阵生成该像素的反差分矩特征,正射图中所有像素的反差分矩特征构成反差分矩特征图。其中,根据一个灰度共生矩阵生成像素的反差分矩特征的计算公式为:
H为反差分矩特征,i、j分别为灰度共生矩阵中第i行第j列像素的横、纵轴坐标,p(i,j)为灰度共生矩阵中第i行第j列像素的值。反差分矩特征反映了图像纹理局部变化的大小,若图像不同区域间的纹理较均匀,变化缓慢,则反差分矩较大,反之较小。
由于道路的自由流速度估计主要受路段特性的影响,因此得到反差分矩特征图后,与路段轮廓图相乘得到路段的纹理特征图;其中,路段轮廓图中道路的像素值为1,非道路的像素值为0。优选地,实施例中采用基于深度学习的方法进行道路的提取,提取完道路后,利用连通域分析获取不同的道路实例,然后根据连通域的面积如最大面积获取要进行自由流速度估计的路段实例,得到路段轮廓图。
3)获取路段的融合差异特征图。
道路附近的地形地势也会导致车辆驾驶速度受到影响,因此本发明还基于道路两侧的缓冲区域进行分析,实施例中路段两侧缓冲区域的经验大小为路段轮廓宽度的2倍。需要说明,因道路的场景不同,可选取不同的缓冲区大小。
对路段进行子路段划分,对路段两侧的缓冲区域进行缓冲子区域的划分,具体地,通过图像细化算法对路段轮廓图进行细化,降低路段轮廓切分难度,实施例中细化算法采用ZhangSuen细化算法,最终得到道路的细化线条表示,然后按线条进行等长切分,切分的数量经验值为9,即将线条切分为10段,最终得到9个路段切分点,并进行标号;同理对路段两侧的第一缓冲区域和第二缓冲区域进行上述操作,得到第一缓冲区域切分点和第二缓冲区域切分点后分别进行标号;连接相同序号的切分点,如对第一个路段切分点和第一缓冲区域第一个切分点及第二缓冲区域第一个切分点进行连接,实现对路段及缓冲区域的均匀切分。最终将路段及缓冲区域均匀划分为十部分。
对于每个子路段,基于点云数据,分别在子路段区域、子路段两侧第一缓冲子区域和第二缓冲子区域内计算道路特征值,道路特征值包括最大高度差、平均高度和高度方差。以子路段区域为例,计算子路段区域内子路段的最大高度差、平均高度和高度方差:
最大高度差Z=max(xz)-min(xz),xz表示点云的z轴坐标值。
同理,可获得子路段两侧第一缓冲子区域和第二缓冲子区域内点云的最大高度差、平均高度和高度方差。
对于每个子路段,子路段区域及其第一缓冲子区域和第二缓冲子区域中任意两个区域的最大高度差的差值的和为第一数值,具体地,为每个子路段区域及其第一缓冲子区域和第二缓冲子区域都进行1,2,3的标号,则第一数值Zi、Zj分别表示标号为i、j的区域中点云的最大高度差。每个子路段对应一个第一数值C1,在获取的路段轮廓图中对各子路段的像素以相应的第一数值进行像素值填充,获取最大高度差差异图。
同理,按照上述获取最大高度差差异图的方法,获取平均高度差异图和高度方差差异图;最大高度差差异图、平均高度差异图和高度方差差异图联合(Concatenate)得到3*H*W的融合差异特征图,3表示3个通道,H、W分别为融合差异特征图的高、宽,且融合差异特征图与正射图等大。
4)构建速度估计神经网络,路段的点云数据、正射图、纹理特征图和融合差异特征图输入速度估计神经网络中,进行路段自由流速度的估计。
所述速度估计神经网络包括点云编码器、正射图编码器、纹理特征编码器、融合差异特征编码器、全连接层。点云编码器、正射图编码器、纹理特征编码器和融合差异特征编码器分别对点云数据、正射图、纹理特征图和融合差异特征图进行特征拟合,得到第一特征向量、第二特征向量、第三特征向量、第四特征向量,得到的所有特征向量进行联合(Concatenate)后输入全连接层,得到估计的自由流速度。
需要说明,由于点云数据通常数据量很大,所述点云数据进行点云下采样后输入速度估计神经网络。可以采用格点采样、均匀采样等方法。
优选地,点云编码器可采用Pointnet、PointNet++等网络或PointConv等操作直接对点云进行提取拟合;正射图编码器、纹理特征编码器和融合差异特征编码器可采用ResNet18、MobileNet等模型。
速度估计神经网络的标签数据即估计的自由流速度,为人为标注或基于交通大数据统计得到。损失函数优选的采用均方差损失函数。
实施例二:
基于与上述方法实施例相同的发明构思,该实施例提供了一种基于人工智能与激光雷达的自由流速度估计系统,具体地,该系统包括:
自由流速度估计模块,用于将路段的点云数据、正射图、纹理特征图和融合差异特征图输入速度估计神经网络中,进行路段自由流速度的估计;其中,融合差异特征图的获取步骤为:
对路段进行子路段划分,对于每个子路段,基于点云数据,分别在子路段区域、子路段两侧第一缓冲子区域和第二缓冲子区域内计算道路特征值,道路特征值包括最大高度差、平均高度和高度方差;
子路段区域及其第一缓冲子区域和第二缓冲子区域中任意两个区域的最大高度差的差值的和为第一数值,在获取的路段轮廓图中对各子路段的像素以相应的第一数值进行像素值填充,获取最大高度差差异图;同理,获取平均高度差异图和高度方差差异图;最大高度差差异图、平均高度差异图和高度方差差异图联合得到融合差异特征图。
关于系统实施例,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可;以上所述旨在让本领域技术人员更好的理解本发明,并不用于限制本发明,凡是在本发明精神和原则之内做出的修改与变动皆在本发明的保护范围内。
Claims (10)
1.一种基于人工智能与激光雷达的自由流速度估计方法,其特征在于,该方法包括:
路段的点云数据、正射图、纹理特征图和融合差异特征图输入速度估计神经网络中,进行路段自由流速度的估计;其中,融合差异特征图的获取方法为:
对路段进行子路段划分,对于每个子路段,基于点云数据,分别在子路段区域、子路段两侧第一缓冲子区域和第二缓冲子区域内计算道路特征值,道路特征值包括最大高度差、平均高度和高度方差;
子路段区域及其第一缓冲子区域和第二缓冲子区域中任意两个区域的最大高度差的差值的和为第一数值,在获取的路段轮廓图中对各子路段的像素以相应的第一数值进行像素值填充,获取最大高度差差异图;同理,获取平均高度差异图和高度方差差异图;最大高度差差异图、平均高度差异图和高度方差差异图联合得到融合差异特征图。
2.如权利要求1所述的方法,其特征在于,所述点云数据进行点云下采样后输入速度估计神经网络。
3.如权利要求2所述的方法,其特征在于,所述速度预测神经网络包括点云编码器、正射图编码器、纹理特征编码器、融合差异特征编码器、全连接层。
4.如权利要求3所述的方法,其特征在于,点云编码器、正射图编码器、纹理特征编码器和融合差异特征编码器分别对点云数据、正射图、纹理特征图和融合差异特征图进行特征拟合,得到第一特征向量、第二特征向量、第三特征向量、第四特征向量,得到的所有特征向量进行联合后输入全连接层,得到估计的自由流速度。
5.如权利要求1所述的方法,其特征在于,所述正射图为RGB图。
6.一种基于人工智能与激光雷达的自由流速度估计系统,其特征在于,该系统包括:
自由流速度估计模块,用于将路段的点云数据、正射图、纹理特征图和融合差异特征图输入速度估计神经网络中,进行路段自由流速度的估计;其中,融合差异特征图的获取步骤为:
对路段进行子路段划分,对于每个子路段,基于点云数据,分别在子路段区域、子路段两侧第一缓冲子区域和第二缓冲子区域内计算道路特征值,道路特征值包括最大高度差、平均高度和高度方差;
子路段区域及其第一缓冲子区域和第二缓冲子区域中任意两个区域的最大高度差的差值的和为第一数值,在获取的路段轮廓图中对各子路段的像素以相应的第一数值进行像素值填充,获取最大高度差差异图;同理,获取平均高度差异图和高度方差差异图;最大高度差差异图、平均高度差异图和高度方差差异图联合得到融合差异特征图。
7.如权利要求6所述的系统,其特征在于,所述点云数据进行点云下采样后输入速度估计神经网络。
8.如权利要求7所述的系统,其特征在于,所述速度估计神经网络包括点云编码器、正射图编码器、纹理特征编码器、融合差异特征编码器、全连接层。
9.如权利要求8所述的系统,其特征在于,点云编码器、正射图编码器、纹理特征编码器和融合差异特征编码器分别对点云数据、正射图、纹理特征图和融合差异特征图进行特征拟合,得到第一特征向量、第二特征向量、第三特征向量、第四特征向量,得到的所有特征向量进行联合后输入全连接层,得到估计的自由流速度。
10.如权利要求6所述的系统,其特征在于,所述正射图为RGB图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110889096.1A CN113569782B (zh) | 2021-08-04 | 2021-08-04 | 基于人工智能与激光雷达的自由流速度估计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110889096.1A CN113569782B (zh) | 2021-08-04 | 2021-08-04 | 基于人工智能与激光雷达的自由流速度估计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113569782A true CN113569782A (zh) | 2021-10-29 |
CN113569782B CN113569782B (zh) | 2022-06-14 |
Family
ID=78170226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110889096.1A Active CN113569782B (zh) | 2021-08-04 | 2021-08-04 | 基于人工智能与激光雷达的自由流速度估计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569782B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750825A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于神经网络分类器级联融合的城市道路交通状态检测方法 |
US20160379489A1 (en) * | 2015-06-26 | 2016-12-29 | Here Global B.V. | Determination of a Free-Flow Speed for a Link Segment |
CN107256636A (zh) * | 2017-06-29 | 2017-10-17 | 段晓辉 | 一种融合激光扫描与视频技术的交通流获取方法 |
CN109615851A (zh) * | 2018-07-30 | 2019-04-12 | 北京航空航天大学 | 一种在群智感知系统中基于关键路段的感知节点选取方法 |
CN110111414A (zh) * | 2019-04-10 | 2019-08-09 | 北京建筑大学 | 一种基于三维激光点云的正射影像生成方法 |
CN110164122A (zh) * | 2018-02-14 | 2019-08-23 | 赫力环球有限公司 | 用于路口的车辆列队系统控制 |
CN110378196A (zh) * | 2019-05-29 | 2019-10-25 | 电子科技大学 | 一种结合激光点云数据的道路视觉检测方法 |
CN110599766A (zh) * | 2019-08-22 | 2019-12-20 | 浙江工业大学 | 一种基于sae-lstm-sad的道路交通拥堵传播预测方法 |
CN112734250A (zh) * | 2021-01-14 | 2021-04-30 | 北京世纪高通科技有限公司 | 自由流速度的计算方法、装置、电子设备及存储介质 |
CN112818880A (zh) * | 2021-02-05 | 2021-05-18 | 郑州科技学院 | 基于深度学习的航拍图像植被提取与分类方法 |
CN113034689A (zh) * | 2021-04-30 | 2021-06-25 | 睿宇时空科技(重庆)有限公司 | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 |
-
2021
- 2021-08-04 CN CN202110889096.1A patent/CN113569782B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750825A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于神经网络分类器级联融合的城市道路交通状态检测方法 |
US20160379489A1 (en) * | 2015-06-26 | 2016-12-29 | Here Global B.V. | Determination of a Free-Flow Speed for a Link Segment |
CN107256636A (zh) * | 2017-06-29 | 2017-10-17 | 段晓辉 | 一种融合激光扫描与视频技术的交通流获取方法 |
CN110164122A (zh) * | 2018-02-14 | 2019-08-23 | 赫力环球有限公司 | 用于路口的车辆列队系统控制 |
CN109615851A (zh) * | 2018-07-30 | 2019-04-12 | 北京航空航天大学 | 一种在群智感知系统中基于关键路段的感知节点选取方法 |
CN110111414A (zh) * | 2019-04-10 | 2019-08-09 | 北京建筑大学 | 一种基于三维激光点云的正射影像生成方法 |
CN110378196A (zh) * | 2019-05-29 | 2019-10-25 | 电子科技大学 | 一种结合激光点云数据的道路视觉检测方法 |
CN110599766A (zh) * | 2019-08-22 | 2019-12-20 | 浙江工业大学 | 一种基于sae-lstm-sad的道路交通拥堵传播预测方法 |
CN112734250A (zh) * | 2021-01-14 | 2021-04-30 | 北京世纪高通科技有限公司 | 自由流速度的计算方法、装置、电子设备及存储介质 |
CN112818880A (zh) * | 2021-02-05 | 2021-05-18 | 郑州科技学院 | 基于深度学习的航拍图像植被提取与分类方法 |
CN113034689A (zh) * | 2021-04-30 | 2021-06-25 | 睿宇时空科技(重庆)有限公司 | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 |
Non-Patent Citations (3)
Title |
---|
XINGCHEN YAN 等: "Influence Factor Analysis of Bicycle Free-Flow Speed for Determining the Design Speeds of Separated Bicycle Lanes", 《INFORMATION》 * |
张继贤 等: "基于多方向多源合成孔径雷达数据融合的假彩色正射影像制作", 《测绘学报》 * |
徐程 等: "基于高斯混合模型的车辆自由流速度分布", 《公路交通科技》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113569782B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563442B (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及系统 | |
EP3735675B1 (en) | Image annotation | |
CN108519605B (zh) | 基于激光雷达和摄像机的路沿检测方法 | |
CN112380317B (zh) | 高精地图更新方法、装置、电子设备和存储介质 | |
CN111652179A (zh) | 基于点线特征融合激光的语义高精地图构建与定位方法 | |
CN102592454A (zh) | 一种基于车辆侧面与路面交线检测的交叉口车辆运动参数测量方法 | |
CN111880191B (zh) | 基于多智能体激光雷达和视觉信息融合的地图生成方法 | |
CN110197173B (zh) | 一种基于双目视觉的路沿检测方法 | |
Konrad et al. | Localization in digital maps for road course estimation using grid maps | |
CN112561944A (zh) | 一种基于车载激光点云的车道线提取方法 | |
CN112257772B (zh) | 一种道路增减区间切分方法、装置、电子设备及存储介质 | |
CN106558051A (zh) | 一种改进的从单幅图像检测道路的方法 | |
CN112070756A (zh) | 一种基于无人机倾斜摄影的路面立体病害测量方法 | |
Wang et al. | Map-enhanced ego-lane detection in the missing feature scenarios | |
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 | |
CN109727255B (zh) | 一种建筑物三维模型分割方法 | |
CN113516853B (zh) | 一种针对复杂监控场景的多车道车流量检测方法 | |
CN113671522B (zh) | 基于语义约束的动态环境激光slam方法 | |
CN113255553B (zh) | 一种基于振动信息监督的可持续学习方法 | |
CN113569782B (zh) | 基于人工智能与激光雷达的自由流速度估计方法及系统 | |
CN112200779A (zh) | 面向无人驾驶的路表车辙形状及构造横向差异度评价方法 | |
CN114659513B (zh) | 一种面向非结构化道路的点云地图构建与维护方法 | |
CN114820931B (zh) | 基于虚拟现实的智慧城市cim可视化实时成像方法 | |
Velat et al. | Vision based vehicle localization for autonomous navigation | |
CN112530270B (zh) | 一种基于区域分配的建图方法及装置 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230802 Address after: 224231 Building 2, No. 118, Beihuan Road, Sancang Town, Dongtai City, Yancheng, Jiangsu Province Patentee after: Jiangsu Zhanshang Shimat Technology Co.,Ltd. Address before: 223800 north of the west end of Taoyuan Road, Shuyang Economic Development Zone, Suqian City, Jiangsu Province Patentee before: Shuyang xierun Electronics Co.,Ltd. |