CN113591847B - 一种车辆定位方法、装置、电子设备及存储介质 - Google Patents
一种车辆定位方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113591847B CN113591847B CN202110858360.5A CN202110858360A CN113591847B CN 113591847 B CN113591847 B CN 113591847B CN 202110858360 A CN202110858360 A CN 202110858360A CN 113591847 B CN113591847 B CN 113591847B
- Authority
- CN
- China
- Prior art keywords
- key point
- positioning element
- natural
- map
- positioning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000000007 visual effect Effects 0.000 claims abstract description 76
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 230000004807 localization Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4041—Position
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种车辆定位方法、装置、电子设备及存储介质,涉及人工智能技术领域,尤其涉及自动驾驶领域。具体实现方案为:获取车辆周围环境的图像;对图像进行特征提取,得到图像中的至少一个关键点,并获取该至少一个关键点中的各个关键点对应的视觉特征描述子;对图像进行元素识别,得到图像中的至少一个自然定位元素,并获取该至少一个自然定位元素中的各个自然定位元素对应的识别信息;基于各个关键点对应的视觉特征描述子和各个自然定位元素对应的识别信息,对车辆进行定位。采用本公开提供的技术方案,定位结果更加准确,难度较小,成本较低,同时可以应用在多种场景下,不受使用场景的限制。
Description
技术领域
本公开涉及人工智能技术领域,进一步涉及自动驾驶技术,尤其是一种车辆定位方法、装置、电子设备及存储介质。
背景技术
随着科学技术的进步,尤其是汽车制造以及信息技术的发展,自动驾驶技术成为近年来的研究热点。自动驾驶系统通常包含自定位、环境感知、决策规划和运动控制等模块。其中,自定位技术是所有自动驾驶系统的基础。因此,如何实现对车辆的精确定位,以确保车辆的和行人的安全成了亟待解决的问题。
目前,特征点检测算法是自动驾驶系统中用于建图与定位的视觉前端算法。自动驾驶系统在建图和定位的过程中,先从图像序列帧中获取到特征点,然后与地图进行匹配,再通过定位后端优化,求解相机位姿车辆位置定位。
发明内容
本公开提供了一种车辆定位方法、装置、电子设备以及存储介质。
第一方面,本公开提供了一种车辆定位方法,所述方法包括:
获取车辆周围环境的图像;
对所述图像进行特征提取,得到所述图像中的至少一个关键点,并获取所述至少一个关键点中的各个关键点对应的视觉特征描述子;
对所述图像进行元素识别,得到所述图像中的至少一个自然定位元素,并获取所述至少一个自然定位元素中的各个自然定位元素对应的识别信息;
基于各个关键点对应的视觉特征描述子和各个自然定位元素对应的识别信息,对所述车辆进行定位。
第二方面,本公开提供了一种车辆定位装置,所述装置包括:图像获取模块、特征提取模块、元素识别模块和车辆定位模块;其中,
所述图像获取模块,用于获取车辆周围环境的图像;
所述特征提取模块,用于对所述图像进行特征提取,得到所述图像中的至少一个关键点,并获取所述至少一个关键点中的各个关键点对应的视觉特征描述子;
所述元素识别模块,用于对所述图像进行元素识别,得到所述图像中的至少一个自然定位元素,并获取所述至少一个自然定位元素中的各个自然定位元素对应的识别信息;
所述车辆定位模块,用于基于各个关键点对应的视觉特征描述子和各个自然定位元素对应的识别信息,对所述车辆进行定位。
第三方面,本公开实施例提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本公开任意实施例所述的车辆定位方法。
第四方面,本公开实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开任意实施例所述的车辆定位方法。
第五方面,提供了一种计算机程序产品,当所述计算机程序产品被计算机设备执行时实现本公开任意实施例所述的车辆定位方法。
根据本公开的技术解决了现有技术中使用传统的计算机视觉特征描述子的算法模式固定,计算量较大,场景匹配能力较差,容易导致定位系统实时性或者时效性不高的技术问题,以及使用高精确的人工定位元素对场地改造成本很高,对跨度较大的定位元素,检测的误差较大;而且人工定位元素的数量较少,可能会造成定位结果不准确的技术问题,本公开提供的技术方案,定位结果更加准确,难度较小,成本较低,同时可以应用在多种场景下,不受使用场景的限制。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开实施例提供的车辆定位方法的第一流程示意图;
图2是本公开实施例提供的车辆定位方法的第二流程示意图;
图3是本公开实施例提供的车辆定位方法的第三流程示意图;
图4是本公开实施例提供的车辆定位装置的结构示意图;
图5是本公开实施例提供的车辆定位模块的结构示意图;
图6是用来实现本公开实施例的车辆定位方法的电子设备的框图。
具体实施方式
传统的车辆定位方法至少存在以下技术问题:1)使用传统的计算机视觉特征描述子,例如SIFT、ORB等算法,这类算法模式固定,计算量较大,场景匹配能力较差,容易导致定位系统实时性或者时效性不高。2)使用高精确的人工定位元素,例如Marker等元素,与高精地图进行匹配,优化PNP问题求解车辆位姿。但是上述方式对场地改造成本很高,对跨度较大的定位元素,检测的误差较大;而且人工定位元素的数量较少,可能会造成定位结果不准确。
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实施例一
图1是本公开实施例提供的车辆定位方法的流程示意图,该方法可以由车辆定位装置或者电子设备来执行,该装置或者电子设备可以由软件和/或硬件的方式实现,该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示,车辆定位方法可以包括以下步骤:
S101、获取车辆周围环境的图像。
在本步骤中,电子设备可以获取车辆周围环境的图像。具体地,车辆在行驶过程中,可以通过相机或者其他图像采集设备对车辆的周围环境进行拍摄,得到车辆周围环境的图像。本公开实施例对图像的数量没有限制,可以只获取一张图像,也可以获取多张图像。在获取到多张图像时,可以针对每一张图像对车辆进行定位,得到每一张图像对应的车辆定位结果;然后结合每一张图像对应的车辆定位结果,得到最终定位结果。
S102、对图像进行特征提取,得到图像中的至少一个关键点,并获取该至少一个关键点中的各个关键点对应的视觉特征描述子。
在本步骤中,电子设备可以对图像进行特征提取,得到图像中的至少一个关键点,并获取该至少一个关键点中的各个关键点对应的视觉特征描述子。具体地,电子设备可以先在该至少一个关键点中提取出一个关键点作为当前关键点;然后基于当前关键点对应的视觉特征描述子与预先确定的描述子地图中的各个基准点对应的视觉特征描述子,得到当前关键点与描述子地图的匹配结果;重复执行上述操作,直到得到各个关键点与描述子地图的匹配结果;再基于各个关键点与描述子地图的匹配结果,得到该至少一个关键点与描述子地图的匹配结果。
S103、对图像进行元素识别,得到图像中的至少一个自然定位元素,并获取该至少一个自然定位元素中的各个自然定位元素对应的识别信息。
在本步骤中,电子设备可以对图像进行元素识别,得到图像中的至少一个自然定位元素,并获取该至少一个自然定位元素中的各个自然定位元素对应的识别信息。具体地,电子设备可以先在该至少一个自然定位元素中提取出一个自然定位元素作为当前自然定位元素;然后基于当前自然定位元素对应的识别信息与预先确定的高精地图中的各个基准定位元素对应的语义信息,得到当前自然定位元素与高精地图的匹配结果;重复执行上述操作,直到得到各个自然定位元素与高精地图的匹配结果;再基于各个自然定位元素与高精地图的匹配结果,得到该至少一个自然定位元素与高精地图的匹配结果。
S104、基于各个关键点对应的视觉特征描述子和各个自然定位元素对应的识别信息,对车辆进行定位。
在本步骤中,电子设备可以基于各个关键点对应的视觉特征描述子和各个自然定位元素对应的识别信息,对车辆进行定位。具体地,电子设备可以先基于各个关键点对应的视觉特征描述子,将该至少一个关键点与预先构建的描述子地图进行匹配,得到该至少一个关键点与描述子地图的匹配结果;然后基于各个自然定位元素对应的识别信息,将该至少一个自然定位元素与预先构建的高精地图进行匹配,得到该至少一个自然定位元素与高精地图的匹配结果;再基于该至少一个关键点与描述子地图的匹配结果以及该至少一个自然定位元素与高精地图的匹配结果,对车辆进行定位。
本公开实施例提出的车辆定位方法,先获取车辆周围环境的图像;然后对图像进行特征提取,得到图像中的至少一个关键点;并获取该至少一个关键点中的各个关键点对应的视觉特征描述子;同时对图像进行元素识别,得到图像中的至少一个自然定位元素;并获取该至少一个自然定位元素中的各个自然定位元素对应的识别信息;再基于各个关键点对应的视觉特征描述子和各个自然定位元素对应的识别信息,对车辆进行定位。也就是说,本公开可以将基于视觉特征描述子的定位方式与基于自然定位元素的定位方式两者融合起来,得到车辆的最终定位结果。而在现有的车辆定位方法中,单纯依赖视觉特征描述子进行定位或者单纯依赖人工定位元素进行定位,上述两种方式分别存在算法复杂、场景匹配能力差以及人工定位元素的数量少,定位结果不准确的问题。因为本公开采用了将基于视觉特征描述子的定位方式与基于自然定位元素的定位方式两者结合起来的技术手段,克服了现有技术中单纯依赖视觉特征描述子的定位方式,计算量较大,场景匹配能力较差,容易导致定位系统实时性或者时效性不高的技术问题,以及单纯依赖人工定位元素对场地改造成本很高,对跨度较大的定位元素,检测的误差较大;而且人工定位元素的数量较少,可能会造成定位结果不准确的技术问题,本公开提供的技术方案,不完全依赖于上述任何一种定位方式,而是将上述两种定位方式融合起来,定位结果更加准确,难度较小,成本较低,同时可以应用在多种场景下,不受使用场景的限制;并且,本公开实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例二
图2是本公开实施例提供的车辆定位方法的第二流程示意图。基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。如图2所示,车辆定位方法可以包括以下步骤:
S201、获取车辆周围环境的图像。
S202、对图像进行特征提取,得到图像中的至少一个关键点,并获取该至少一个关键点中的各个关键点对应的视觉特征描述子。
S203、对图像进行元素识别,得到图像中的至少一个自然定位元素,并获取该至少一个自然定位元素中的各个自然定位元素对应的识别信息。
S204、基于各个关键点对应的视觉特征描述子,将该至少一个关键点与预先构建的描述子地图进行匹配,得到该至少一个关键点与描述子地图的匹配结果。
在本步骤中,电子设备可以基于各个关键点对应的视觉特征描述子,将该至少一个关键点与预先构建的描述子地图进行匹配,得到该至少一个关键点与描述子地图的匹配结果。具体地,电子设备可以先在该至少一个关键点中提取出一个关键点作为当前关键点;然后基于当前关键点对应的视觉特征描述子与预先确定的描述子地图中的各个基准点对应的视觉特征描述子,得到当前关键点与描述子地图的匹配结果;重复执行上述操作,直到得到各个关键点与描述子地图的匹配结果;然后基于各个关键点与描述子地图的匹配结果,得到该至少一个关键点与描述子地图的匹配结果。
在本公开的优选实施例中,电子设备在将该至少一个关键点与预先构建的描述子地图进行匹配之前,还可以基于各个关键点对应的视觉特征描述子,在该至少一个关键点中过滤掉不符合匹配要求的关键点,得到该至少一个关键点中剩余的关键点;然后执行将该至少一个关键点中剩余的关键点与描述子地图进行匹配的操作。进一步地,电子设备还可以在描述子地图中对预先确定出的基准点进行过滤,得到过滤后的基准点。例如,若检测到某一个关键点为障碍物上的一个点,则可以将该关键点过滤掉。通过对描述子地图以及描述子两方面的过滤,可以保证匹配结果更加准确。
S205、基于各个自然定位元素对应的识别信息,将该至少一个自然定位元素与预先构建的高精地图进行匹配,得到该至少一个自然定位元素与高精地图的匹配结果。
在本步骤中,电子设备可以基于各个自然定位元素对应的识别信息,将该至少一个自然定位元素与预先构建的高精地图进行匹配,得到该至少一个自然定位元素与高精地图的匹配结果。具体地,电子设备可以在该至少一个自然定位元素中提取出一个自然定位元素作为当前自然定位元素;然后基于当前自然定位元素对应的识别信息与预先确定的高精地图中的各个基准定位元素对应的语义信息,得到当前自然定位元素与高精地图的匹配结果;重复执行上述操作,直到得到各个自然定位元素与高精地图的匹配结果;再基于各个自然定位元素与高精地图的匹配结果,得到该至少一个自然定位元素与高精地图的匹配结果。
S206、基于该至少一个关键点与描述子地图的匹配结果以及该至少一个自然定位元素与高精地图的匹配结果,对车辆进行定位。
在本步骤中,电子设备可以基于该至少一个关键点与描述子地图的匹配结果以及该至少一个自然定位元素与高精地图的匹配结果,对车辆进行定位。具体地,电子设备可以先基于该至少一个关键点与描述子地图的匹配结果,得到车辆的原始定位结果;然后使用该至少一个自然定位元素与高精地图的匹配结果对车辆的原始定位结果进行修正,得到车辆的目标定位结果。
本公开实施例提出的车辆定位方法,先获取车辆周围环境的图像;然后对图像进行特征提取,得到图像中的至少一个关键点,并获取该至少一个关键点中的各个关键点对应的视觉特征描述子;同时对图像进行元素识别,得到图像中的至少一个自然定位元素,并获取该至少一个自然定位元素中的各个自然定位元素对应的识别信息;再基于各个关键点对应的视觉特征描述子和各个自然定位元素对应的识别信息,对车辆进行定位。也就是说,本公开可以将基于视觉特征描述子的定位方式与基于自然定位元素的定位方式两者融合起来,得到车辆的最终定位结果。而在现有的车辆定位方法中,单纯依赖视觉特征描述子进行定位或者单纯依赖人工定位元素进行定位,上述两种方式分别存在算法复杂、场景匹配能力差以及人工定位元素的数量少,定位结果不准确的问题。因为本公开采用了将基于视觉特征描述子的定位方式与基于自然定位元素的定位方式两者结合起来的技术手段,克服了现有技术中单纯依赖视觉特征描述子的定位方式,计算量较大,场景匹配能力较差,容易导致定位系统实时性或者时效性不高的技术问题,以及单纯依赖人工定位元素对场地改造成本很高,对跨度较大的定位元素,检测的误差较大;而且人工定位元素的数量较少,可能会造成定位结果不准确的技术问题,本公开提供的技术方案,不完全依赖于上述任何一种定位方式,而是将上述两种定位方式融合起来,定位结果更加准确,难度较小,成本较低,同时可以应用在多种场景下,不受使用场景的限制;并且,本公开实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例三
图3是本公开实施例提供的车辆定位方法的第三流程示意图。基于上述技术方案进一步优化与扩展,并可以与上述各个可选实施方式进行结合。如图3所示,车辆定位方法可以包括以下步骤:
S301、获取车辆周围环境的图像。
S302、在该至少一个关键点中提取出一个关键点作为当前关键点。
在本步骤中,电子设备可以在该至少一个关键点中提取出一个关键点作为当前关键点。具体地,电子设备可以在该至少一个关键点中随机提取出一个关键点作为当前关键点。
S303、基于当前关键点对应的视觉特征描述子与预先确定的描述子地图中的各个基准点对应的视觉特征描述子,得到当前关键点与描述子地图的匹配结果;重复执行上述操作,直到得到各个关键点与描述子地图的匹配结果。
在本步骤中,电子设备可以基于当前关键点对应的视觉特征描述子与预先确定的描述子地图中的各个基准点对应的视觉特征描述子,得到当前关键点与描述子地图的匹配结果;重复执行上述操作,直到得到各个关键点与描述子地图的匹配结果。具体地,电子设备可以基于当前关键点对应的视觉特征描述子与预先确定的描述子地图中的各个基准点对应的视觉特征描述子,计算当前关键点与描述子地图中的各个基准点的匹配度;然后基于当前关键点与描述子地图中的各个基准点的匹配度,得到当前关键点与描述子地图的匹配结果。
S304、基于各个关键点与描述子地图的匹配结果,得到该至少一个关键点与描述子地图的匹配结果。
在本步骤中,电子设备可以基于各个关键点与描述子地图的匹配结果,得到该至少一个关键点与描述子地图的匹配结果。具体地,电子设备可以将各个关键点与描述子地图的匹配结果输入至预先训练的匹配模型中,通过该匹配模型得到该至少一个关键点与描述子地图的匹配结果。
S305、在该至少一个自然定位元素中提取出一个自然定位元素作为当前自然定位元素。
在本步骤中,电子设备可以在该至少一个自然定位元素中提取出一个自然定位元素作为当前自然定位元素。具体地,电子设备可以在该至少一个自然定位元素中随机提取出一个自然定位元素作为当前自然定位元素。
S306、基于当前自然定位元素对应的识别信息与预先确定的高精地图中的各个基准定位元素对应的语义信息,得到当前自然定位元素与高精地图的匹配结果;重复执行上述操作,直到得到各个自然定位元素与高精地图的匹配结果。
在本步骤中,电子设备可以基于当前自然定位元素对应的识别信息与预先确定的高精地图中的各个基准定位元素对应的语义信息,得到当前自然定位元素与高精地图的匹配结果;重复执行上述操作,直到得到各个自然定位元素与高精地图的匹配结果。具体地,电子设备可以基于当前自然定位元素对应的识别信息与预先确定的高精地图中的各个基准定位元素对应的语义信息,计算当前自然定位元素与高精地图中的各个基准定位元素的匹配度;然后基于当前自然定位元素与高精地图中的各个基准定位元素的匹配度,得到当前自然定位元素与高精地图的匹配结果。
S307、基于各个自然定位元素与高精地图的匹配结果,得到该至少一个自然定位元素与高精地图的匹配结果。
在本步骤中,电子设备可以基于各个自然定位元素与高精地图的匹配结果,得到该至少一个自然定位元素与高精地图的匹配结果。具体地,电子设备可以将各个自然定位元素与高精地图的匹配结果输入至预先训练的匹配模型中,通过该匹配模型得到该至少一个自然定位元素与高精地图的匹配结果。
S308、基于各个关键点对应的视觉特征描述子和各个自然定位元素对应的识别信息,对车辆进行定位。
本公开实施例提出的车辆定位方法,先获取车辆周围环境的图像;然后对图像进行特征提取,得到图像中的至少一个关键点,并获取该至少一个关键点中的各个关键点对应的视觉特征描述子;同时对图像进行元素识别,得到图像中的至少一个自然定位元素,并获取该至少一个自然定位元素中的各个自然定位元素对应的识别信息;再基于各个关键点对应的视觉特征描述子和各个自然定位元素对应的识别信息,对车辆进行定位。也就是说,本公开可以将基于视觉特征描述子的定位方式与基于自然定位元素的定位方式两者融合起来,得到车辆的最终定位结果。而在现有的车辆定位方法中,单纯依赖视觉特征描述子进行定位或者单纯依赖人工定位元素进行定位,上述两种方式分别存在算法复杂、场景匹配能力差以及人工定位元素的数量少,定位结果不准确的问题。因为本公开采用了将基于视觉特征描述子的定位方式与基于自然定位元素的定位方式两者结合起来的技术手段,克服了现有技术中单纯依赖视觉特征描述子的定位方式,计算量较大,场景匹配能力较差,容易导致定位系统实时性或者时效性不高的技术问题,以及单纯依赖人工定位元素对场地改造成本很高,对跨度较大的定位元素,检测的误差较大;而且人工定位元素的数量较少,可能会造成定位结果不准确的技术问题,本公开提供的技术方案,不完全依赖于上述任何一种定位方式,而是将上述两种定位方式融合起来,定位结果更加准确,难度较小,成本较低,同时可以应用在多种场景下,不受使用场景的限制;并且,本公开实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例四
图4是本公开实施例提供的车辆定位装置的结构示意图。如图4所示,所述装置400包括:图像获取模块401、特征提取模块402、元素识别模块403和车辆定位模块404;其中,
所述图像获取模块401,用于获取车辆周围环境的图像;
所述特征提取模块402,用于对所述图像进行特征提取,得到所述图像中的至少一个关键点,并获取所述至少一个关键点中的各个关键点对应的视觉特征描述子;
所述元素识别模块403,用于对所述图像进行元素识别,得到所述图像中的至少一个自然定位元素,并获取所述至少一个自然定位元素中的各个自然定位元素对应的识别信息;
所述车辆定位模块404,用于基于各个关键点对应的视觉特征描述子和各个自然定位元素对应的识别信息,对所述车辆进行定位。
图5是本公开实施例提供的车辆定位模块的结构示意图。如图5所示,所述车辆定位模块404包括:匹配子模块4041和定位子模块4042;其中,
所述匹配子模块4041,用于基于各个关键点对应的视觉特征描述子,将所述至少一个关键点与预先构建的描述子地图进行匹配,得到所述至少一个关键点与所述描述子地图的匹配结果;基于各个自然定位元素对应的识别信息,将所述至少一个自然定位元素与预先构建的高精地图进行匹配,得到所述至少一个自然定位元素与高精地图的匹配结果;
所述定位子模块4042,用于基于所述至少一个关键点与所述描述子地图的匹配结果以及所述至少一个自然定位元素与所述高精地图的匹配结果,对所述车辆进行定位。
进一步的,所述匹配子模块4041,具体用于在所述至少一个关键点中提取出一个关键点作为当前关键点;基于所述当前关键点对应的视觉特征描述子与预先确定的所述描述子地图中的各个基准点对应的视觉特征描述子,得到所述当前关键点与所述描述子地图的匹配结果;重复执行上述操作,直到得到各个关键点与所述描述子地图的匹配结果;基于各个关键点与所述描述子地图的匹配结果,得到所述至少一个关键点与所述描述子地图的匹配结果。
进一步的,所述匹配子模块4041,具体用于在所述至少一个自然定位元素中提取出一个自然定位元素作为当前自然定位元素;
基于所述当前自然定位元素对应的识别信息与预先确定的所述高精地图中的各个基准定位元素对应的语义信息,得到所述当前自然定位元素与所述高精地图的匹配结果;重复执行上述操作,直到得到各个自然定位元素与所述高精地图的匹配结果;基于各个自然定位元素与所述高精地图的匹配结果,得到所述至少一个自然定位元素与所述高精地图的匹配结果。
进一步的,所述匹配子模块4041,还用于基于各个关键点对应的视觉特征描述子,在所述至少一个关键点中过滤掉不符合匹配要求的关键点,得到所述至少一个关键点中剩余的关键点;执行将所述至少一个关键点中剩余的关键点与所述描述子地图进行匹配的操作。
进一步的,所述定位子模块4042,具体用于基于所述至少一个关键点与所述描述子地图的匹配结果,得到所述车辆的原始定位结果;使用所述至少一个自然定位元素与所述高精地图的匹配结果对所述车辆的原始定位结果进行修正,得到所述车辆的目标定位结果。
上述车辆定位装置可执行本公开任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本公开任意实施例提供的车辆定位方法。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
实施例五
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如车辆定位方法。例如,在一些实施例中,车辆定位方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的车辆定位方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车辆定位方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (12)
1.一种车辆定位方法,所述方法包括:
获取车辆周围环境的图像;
对所述图像进行特征提取,得到所述图像中的至少一个关键点,并获取所述至少一个关键点中的各个关键点对应的视觉特征描述子;
对所述图像进行元素识别,得到所述图像中的至少一个自然定位元素,并获取所述至少一个自然定位元素中的各个自然定位元素对应的识别信息;
基于各个关键点对应的视觉特征描述子和各个自然定位元素对应的识别信息,对所述车辆进行定位;
其中,所述基于各个关键点对应的视觉特征描述子和各个自然定位元素对应的识别信息,对所述车辆进行定位,包括:
基于各个关键点对应的视觉特征描述子,将所述至少一个关键点中的各个关键点与预先构建的描述子地图中的各个基准点对应的视觉特征描述子进行匹配,得到所述至少一个关键点中的各个关键点与所述描述子地图中的各个基准点对应的视觉特征描述子的匹配结果;
基于各个自然定位元素对应的识别信息,将所述至少一个自然定位元素中的各个自然定位元素与预先构建的高精地图中的各个基准定位元素对应的语义信息进行匹配,得到所述至少一个自然定位元素中的各个自然定位元素与所述高精地图中的各个基准定位元素对应的语义信息的匹配结果;
基于所述至少一个关键点中的各个关键点与所述描述子地图中的各个基准点对应的视觉特征描述子的匹配结果以及所述至少一个自然定位元素中的各个自然定位元素与所述高精地图中的各个基准定位元素对应的语义信息的匹配结果,对所述车辆进行定位。
2.根据权利要求1所述的方法,其中,所述基于各个关键点对应的视觉特征描述子,将所述至少一个关键点中的各个关键点与预先构建的描述子地图中的各个基准点对应的视觉特征描述子进行匹配,得到所述至少一个关键点中的各个关键点与所述描述子地图中的各个基准点对应的视觉特征描述子的匹配结果,包括:
在所述至少一个关键点中提取出一个关键点作为当前关键点;
基于所述当前关键点对应的视觉特征描述子与预先确定的所述描述子地图中的各个基准点对应的视觉特征描述子,得到所述当前关键点与所述描述子地图的匹配结果;重复执行上述操作,直到得到各个关键点与所述描述子地图的匹配结果;
基于各个关键点与所述描述子地图的匹配结果,得到所述至少一个关键点与所述描述子地图的匹配结果。
3.根据权利要求1所述的方法,其中,所述基于各个自然定位元素对应的识别信息,将所述至少一个自然定位元素中的各个自然定位元素与预先构建的高精地图中的各个基准定位元素对应的语义信息进行匹配,得到所述至少一个自然定位元素中的各个自然定位元素与所述高精地图中的各个基准定位元素对应的语义信息的匹配结果,包括:
在所述至少一个自然定位元素中提取出一个自然定位元素作为当前自然定位元素;
基于所述当前自然定位元素对应的识别信息与预先确定的所述高精地图中的各个基准定位元素对应的语义信息,得到所述当前自然定位元素与所述高精地图的匹配结果;重复执行上述操作,直到得到各个自然定位元素与所述高精地图的匹配结果;
基于各个自然定位元素与所述高精地图的匹配结果,得到所述至少一个自然定位元素与所述高精地图的匹配结果。
4.根据权利要求1所述的方法,所述方法还包括:
基于各个关键点对应的视觉特征描述子,在所述至少一个关键点中过滤掉不符合匹配要求的关键点,得到所述至少一个关键点中剩余的关键点;执行将所述至少一个关键点中剩余的关键点与所述描述子地图进行匹配的操作。
5.根据权利要求1所述的方法,其中,所述基于所述至少一个关键点中的各个关键点与所述描述子地图中的各个基准点对应的视觉特征描述子的匹配结果以及所述至少一个自然定位元素中的各个自然定位元素与所述高精地图中的各个基准定位元素对应的语义信息的匹配结果,对所述车辆进行定位,包括:
基于所述至少一个关键点与所述描述子地图的匹配结果,得到所述车辆的原始定位结果;
使用所述至少一个自然定位元素与所述高精地图的匹配结果对所述车辆的原始定位结果进行修正,得到所述车辆的目标定位结果。
6.一种车辆定位装置,所述装置包括:图像获取模块、特征提取模块 、元素识别模块和车辆定位模块;其中,
所述图像获取模块,用于获取车辆周围环境的图像;
所述特征提取模块,用于对所述图像进行特征提取,得到所述图像中的至少一个关键点,并获取所述至少一个关键点中的各个关键点对应的视觉特征描述子;
所述元素识别模块,用于对所述图像进行元素识别,得到所述图像中的至少一个自然定位元素,并获取所述至少一个自然定位元素中的各个自然定位元素对应的识别信息;
所述车辆定位模块,用于基于各个关键点对应的视觉特征描述子和各个自然定位元素对应的识别信息,对所述车辆进行定位;
所述车辆定位模块包括:匹配子模块和定位子模块;其中,
所述匹配子模块,用于基于各个关键点对应的视觉特征描述子,将所述至少一个关键点中的各个关键点与预先构建的描述子地图中的各个基准点对应的视觉特征描述子进行匹配,得到所述至少一个关键点中的各个关键点与所述描述子地图中的各个基准点对应的视觉特征描述子的匹配结果;基于各个自然定位元素对应的识别信息,将所述至少一个自然定位元素中的各个自然定位元素与预先构建的高精地图中的各个基准定位元素对应的语义信息进行匹配,得到所述至少一个自然定位元素中的各个自然定位元素与所述高精地图中的各个基准定位元素对应的语义信息的匹配结果;
所述定位子模块,用于基于所述至少一个关键点中的各个关键点与所述描述子地图中的各个基准点对应的视觉特征描述子的匹配结果以及所述至少一个自然定位元素中的各个自然定位元素与所述高精地图中的各个基准定位元素对应的语义信息的匹配结果,对所述车辆进行定位。
7.根据权利要求6所述的装置,所述匹配子模块,具体用于在所述至少一个关键点中提取出一个关键点作为当前关键点;基于所述当前关键点对应的视觉特征描述子与预先确定的所述描述子地图中的各个基准点对应的视觉特征描述子,得到所述当前关键点与所述描述子地图的匹配结果;重复执行上述操作,直到得到各个关键点与所述描述子地图的匹配结果;基于各个关键点与所述描述子地图的匹配结果,得到所述至少一个关键点与所述描述子地图的匹配结果。
8.根据权利要求6所述的装置,所述匹配子模块,具体用于在所述至少一个自然定位元素中提取出一个自然定位元素作为当前自然定位元素;
基于所述当前自然定位元素对应的识别信息与预先确定的所述高精地图中的各个基准定位元素对应的语义信息,得到所述当前自然定位元素与所述高精地图的匹配结果;重复执行上述操作,直到得到各个自然定位元素与所述高精地图的匹配结果;基于各个自然定位元素与所述高精地图的匹配结果,得到所述至少一个自然定位元素与所述高精地图的匹配结果。
9.根据权利要求6所述的装置,所述匹配子模块,还用于基于各个关键点对应的视觉特征描述子,在所述至少一个关键点中过滤掉不符合匹配要求的关键点,得到所述至少一个关键点中剩余的关键点;执行将所述至少一个关键点中剩余的关键点与所述描述子地图进行匹配的操作。
10.根据权利要求6所述的装置,所述定位子模块,具体用于基于所述至少一个关键点与所述描述子地图的匹配结果,得到所述车辆的原始定位结果;使用所述至少一个自然定位元素与所述高精地图的匹配结果对所述车辆的原始定位结果进行修正,得到所述车辆的目标定位结果。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110858360.5A CN113591847B (zh) | 2021-07-28 | 2021-07-28 | 一种车辆定位方法、装置、电子设备及存储介质 |
EP22185356.7A EP4125062A1 (en) | 2021-07-28 | 2022-07-18 | Vehicle positioning method and apparatus, electronic device, non-transitory computer-readable storage medium and computer program product |
US17/872,601 US20230036501A1 (en) | 2021-07-28 | 2022-07-25 | Vehicle positioning method and apparatus, and non-transitory computer-readable storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110858360.5A CN113591847B (zh) | 2021-07-28 | 2021-07-28 | 一种车辆定位方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113591847A CN113591847A (zh) | 2021-11-02 |
CN113591847B true CN113591847B (zh) | 2022-12-20 |
Family
ID=78251143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110858360.5A Active CN113591847B (zh) | 2021-07-28 | 2021-07-28 | 一种车辆定位方法、装置、电子设备及存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230036501A1 (zh) |
EP (1) | EP4125062A1 (zh) |
CN (1) | CN113591847B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9467660B1 (en) * | 2014-03-31 | 2016-10-11 | Amazon Technologies, Inc. | Map generation using map features from user captured images |
CN112767477A (zh) * | 2020-12-31 | 2021-05-07 | 北京纵目安驰智能科技有限公司 | 一种定位方法、装置、存储介质及电子设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102441053B1 (ko) * | 2016-11-21 | 2022-09-06 | 현대자동차주식회사 | 차량의 주행차로 추정 장치 및 방법 |
CN108692720B (zh) * | 2018-04-09 | 2021-01-22 | 京东方科技集团股份有限公司 | 定位方法、定位服务器及定位系统 |
CN108717710B (zh) * | 2018-05-18 | 2022-04-22 | 京东方科技集团股份有限公司 | 室内环境下的定位方法、装置及系统 |
CN109405824A (zh) * | 2018-09-05 | 2019-03-01 | 武汉契友科技股份有限公司 | 一种适用于智能网联汽车的多源感知定位系统 |
CN111238497B (zh) * | 2018-11-29 | 2022-05-06 | 华为技术有限公司 | 一种高精度地图的构建方法及装置 |
CN109631855B (zh) * | 2019-01-25 | 2020-12-08 | 西安电子科技大学 | 基于orb-slam的高精度车辆定位方法 |
CN110866953B (zh) * | 2019-10-31 | 2023-12-29 | Oppo广东移动通信有限公司 | 地图构建方法及装置、定位方法及装置 |
CN111220164A (zh) * | 2020-01-21 | 2020-06-02 | 北京百度网讯科技有限公司 | 定位方法、装置、设备及存储介质 |
CN111833717B (zh) * | 2020-07-20 | 2022-04-15 | 阿波罗智联(北京)科技有限公司 | 用于定位交通工具的方法、装置、设备和存储介质 |
-
2021
- 2021-07-28 CN CN202110858360.5A patent/CN113591847B/zh active Active
-
2022
- 2022-07-18 EP EP22185356.7A patent/EP4125062A1/en not_active Withdrawn
- 2022-07-25 US US17/872,601 patent/US20230036501A1/en not_active Abandoned
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9467660B1 (en) * | 2014-03-31 | 2016-10-11 | Amazon Technologies, Inc. | Map generation using map features from user captured images |
CN112767477A (zh) * | 2020-12-31 | 2021-05-07 | 北京纵目安驰智能科技有限公司 | 一种定位方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
基于改进混合高斯模型的运动车辆检测技术;王丽;《中国优秀硕士学位论文全文数据库》;20151215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
EP4125062A1 (en) | 2023-02-01 |
CN113591847A (zh) | 2021-11-02 |
US20230036501A1 (en) | 2023-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3505869B1 (en) | Method, apparatus, and computer readable storage medium for updating electronic map | |
CN114120253A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN113506368B (zh) | 地图数据融合方法、装置、电子设备、介质和程序产品 | |
CN113706592A (zh) | 一种定位信息的修正方法、装置、电子设备和存储介质 | |
CN110675635A (zh) | 相机外参的获取方法、装置、电子设备及存储介质 | |
CN114202026A (zh) | 多任务模型训练方法和装置、多任务处理方法和装置 | |
CN113205041A (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
CN113570727A (zh) | 场景文件的生成方法、装置、电子设备及存储介质 | |
CN113436233A (zh) | 自动驾驶车辆的配准方法、装置、电子设备和车辆 | |
CN113705515A (zh) | 语义分割模型的训练和高精地图车道线的生成方法和设备 | |
CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN116052097A (zh) | 一种地图要素检测方法、装置、电子设备和存储介质 | |
CN113762397B (zh) | 检测模型训练、高精度地图更新方法、设备、介质及产品 | |
CN114111813A (zh) | 高精地图元素更新方法、装置、电子设备及存储介质 | |
CN113591847B (zh) | 一种车辆定位方法、装置、电子设备及存储介质 | |
CN115861755A (zh) | 特征融合方法、装置、电子设备及自动驾驶车辆 | |
CN115790621A (zh) | 高精地图更新方法、装置及电子设备 | |
CN114170282A (zh) | 点云融合方法、装置、电子设备和介质 | |
CN113869147A (zh) | 目标检测方法及装置 | |
CN113654548A (zh) | 定位方法、装置、电子设备及存储介质 | |
CN112990327A (zh) | 特征融合方法、装置、设备、存储介质以及程序产品 | |
CN115049895B (zh) | 一种图像属性识别方法、属性识别模型训练方法及装置 | |
CN114049615B (zh) | 行驶环境中交通对象融合关联方法、装置及边缘计算设备 | |
CN116258769B (zh) | 一种定位校验方法、装置、电子设备和存储介质 | |
CN114820882A (zh) | 一种图像获取方法、装置、设备及存储介质 |
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 |