CN113916242A - 车道定位方法和装置、存储介质及电子设备 - Google Patents
车道定位方法和装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113916242A CN113916242A CN202111520075.9A CN202111520075A CN113916242A CN 113916242 A CN113916242 A CN 113916242A CN 202111520075 A CN202111520075 A CN 202111520075A CN 113916242 A CN113916242 A CN 113916242A
- Authority
- CN
- China
- Prior art keywords
- lane
- lanes
- information
- prediction
- target
- 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
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
-
- 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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- 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
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3626—Details of the output of route guidance instructions
- G01C21/3658—Lane guidance
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种车道定位方法和装置、存储介质及电子设备,适用于地图、导航、自动驾驶、车联网、智能交通以及云计算等领域。其中,该方法包括:获取目标车辆的定位信息以及至少一个类型的观测信息,根据目标车辆的定位信息获取第一局部地图数据,根据第一局部地图数据确定第一组预测概率,根据至少一个类型的观测信息确定第二组预测概率,根据第一组预测概率与第二组预测概率,在多个车道中确定目标车道。本发明解决了相关技术中存在的车道定位的准确率较低的技术问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种车道定位方法和装置、存储介质及电子设备。
背景技术
随着汽车数量的不断增加,车道级定位已成为高精度定位的必然需求。现有的车道级定位方式一方面通常基于高精地图数据,通过实时动态(Real-time Kinematic,RTK)的载波相位差分技术实现车道级定位。
但是该方法对测量设备的依赖程度较高,稳定性不足,高精地图数据的采集和数据处理所消耗的大量时间会导致定位效率低下。
另一方面,现有技术还通过传感器进行位置识别、基于激光雷达测距以及3D点云特征扫描的方式对车辆进行跟踪从而实现车辆定位。但是此类方法的成本较高,导致适用性较低。
因此,现有技术中车道定位方式复杂,当需要维持较低成本时,如何提升车道定位的定位准确率成为亟需解决的问题。
针对上述的问题,目前尚未有效的解决方案。
发明内容
本发明实施例提供了一种车道定位方法和装置、存储介质及电子设备,以至少解决相关技术中存在的车道定位的准确率较低的技术问题。
根据本发明实施例的一个方面,提供了一种车道定位方法,包括:获取目标车辆的定位信息以及至少一个类型的观测信息,其中,所述观测信息包括所述目标车辆在行驶过程中观测到的与所述定位信息对应的车辆行驶数据;根据所述目标车辆的定位信息获取第一局部地图数据,其中,所述第一局部地图数据中包括与所述定位信息关联的多个车道的车道数据;根据所述第一局部地图数据确定第一组预测概率,其中,所述第一组预测概率中的每个预测概率用于表示由所述第一局部地图数据确定的所述目标车辆在所述多个车道上行驶的概率;根据所述至少一个类型的观测信息确定第二组预测概率,其中,所述第二组预测概率中的每个预测概率用于表示由所述至少一个观测信息确定的所述目标车辆在所述多个车道上行驶的概率;根据所述第一组预测概率与所述第二组预测概率,在所述多个车道中确定所述目标车道,其中,所述目标车道为所述目标车辆当前所行驶的车道。
根据本发明实施例的另一方面,还提供了一种车道定位装置,包括:
第一获取模块,用于获取目标车辆的定位信息以及至少一个类型的观测信息,其中,所述观测信息包括所述目标车辆在行驶过程中观测到的与所述定位信息对应的车辆行驶数据;
第二获取模块,用于根据所述目标车辆的定位信息获取第一局部地图数据,其中,所述第一局部地图数据中包括与所述定位信息关联的多个车道的车道数据;
第一确定模块,用于根据所述第一局部地图数据确定第一组预测概率,其中,所述第一组预测概率中的每个预测概率用于表示由所述第一局部地图数据确定的所述目标车辆在所述多个车道上行驶的概率;
第二确定模块,用于根据所述至少一个类型的观测信息确定第二组预测概率,其中,所述第二组预测概率中的每个预测概率用于表示由所述至少一个观测信息确定的所述目标车辆在所述多个车道上行驶的概率;
第三确定模块,用于根据所述第一组预测概率与所述第二组预测概率,在所述多个车道中确定所述目标车道,其中,所述目标车道为所述目标车辆当前所行驶的车道。
可选地,所述装置用于通过如下方式根据所述第一局部地图数据确定第一组预测概率,包括:在所述第一局部地图数据包括所述多个车道对应的车道中间线数据的情况下,根据所述定位信息和所述车道中间线数据确定所述目标车辆在所述多个车道中的每个车道上的投影距离,其中,所述车道中间线数据用于指示所述多个车道中的每个车道的中间线的位置;根据所述目标车辆在所述多个车道中的每个车道上的投影距离,确定所述多个车道对应的所述第一组预测概率,其中,所述第一组预测概率中的每个车道的预测概率与所述目标车辆在所述多个车道中对应的车道上的投影距离呈负相关关系。
可选地,所述装置用于通过如下方式根据所述定位信息和所述车道中间线数据确定所述目标车辆在所述多个车道中的每个车道上的投影距离:根据所述第一局部地图数据确定所述多个车道中的每个车道的多个中间点,其中,所述每个车道的多个中间点之间的连线表示所述每个车道的中间线;根据所述定位信息确定所述目标车辆在目标线段的投影位置,其中,所述多个中间点包括所述第一中间点和所述第二中间点,所述第一中间点与所述第二中间点相邻,所述目标线段为所述第一中间点和所述第二中间点相连接组成的线段;根据所述定位信息指示的位置、所述第一中间点所在的位置和所述第二中间点所在的位置,确定所述目标车辆在所述目标线段对应的车道上的投影距离。
可选地,所述装置用于通过如下方式根据所述目标车辆在所述多个车道中的每个车道上的投影距离,确定所述多个车道对应的第一组预测概率:在所述目标车辆在所述多个车道中的第一车道上的投影距离小于或等于预设距离阈值的情况下,将所述第一车道对应的预测概率确定为预设的取值范围内的最大值。
可选地,所述装置用于通过如下方式根据所述至少一个类型的观测信息确定第二组预测概率:在所述观测信息包括所述目标车辆的航向信息的情况下,根据所述航向信息确定基准方向与所述多个车道中间线形成的多个夹角,其中,所述航向信息用于指示所述目标车辆的当前行驶的航向角以及对应的所述基准方向;根据所述航向角与所述多个夹角,确定所述多个车道对应的所述第二组预测概率,其中,所述第二组预测概率中的每个预测概率与对应的角度差呈负相关关系,所述对应的角度差是所述多个夹角中对应的夹角与所述航向角之间的角度差。
可选地,所述装置用于通过如下方式根据所述至少一个类型的观测信息确定第二组预测概率:在所述观测信息包括所述目标车辆的当前行驶的车速的情况下,根据所述当前行驶的车速与所述第一局部地图数据中的目标限速信息,确定所述目标车辆行驶在所述多个车道的所述第二组预测概率,其中,所述第二组预测概率中的每个预测概率与所述当前行驶的车速是否位于所述目标限速信息中对应的车道上的限速区间内相关,所述目标限速信息包括所述多个车道中的每个车道上的限速区间。
可选地,所述装置用于通过如下方式根据所述至少一个类型的观测信息确定第二组预测概率:在所述观测信息包括所述目标车辆的视觉车道线信息的情况下,根据所述视觉车道线信息与所述第一局部地图数据中的车道线属性信息,确定所述多个车道对应的所述第二组预测概率,其中,所述第二组预测概率中的每个预测概率与对应的匹配度相关联,所述对应的匹配度是所述视觉车道线信息中所述多个车道中对应的车道的车道线属性与所述车道线属性信息中所述对应的车道的车道线属性之间的匹配度,所述视觉车道线信息包括所述目标车辆在行驶过程中采集的所述多个车道中的每个车道的车道线属性,所述车道线属性信息包括所述第一局部地图数据中记录的所述多个车道中的每个车道的车道线属性。
可选地,所述装置用于通过如下方式根据所述至少一个类型的观测信息确定第二组预测概率:在所述观测信息包括目标车辆的雷达扫描信息的情况下,根据所述雷达扫描信息与所述第一局部地图数据中的目标物信息,确定所述多个车道对应的所述第二组预测概率,其中,所述雷达扫描信息包括所述目标车辆在行驶过程中采集到的所述多个车道中的每个车道与目标物之间的识别距离,所述目标物信息包括所述第一局部地图数据中记录的所述多个车道中的每个车道与所述目标物之间的目标距离,所述第二组预测概率中的每个预测概率与对应的差值相关联,所述对应的差值是所述雷达扫描信息中的对应的车道与所述目标物之间的所述识别距离和所述目标物信息中的对应的车道与所述目标物之间的所述目标距离之间的差值。
可选地,所述装置用于通过以下之一方式根据所述第一组预测概率与所述第二组预测概率,在所述多个车道中确定所述目标车道:获取所述第一组预测概率中的每个预测概率与所述第二组预测概率中对应的预测概率的乘积;在所述多个车道中将对应的所述乘积最大的车道确定为所述目标车道;或者获取所述第一组预测概率中的每个预测概率与所述第二组预测概率中对应的预测概率的和值;在所述多个车道中将对应的所述和值最大的车道确定为所述目标车道;或者获取所述第一组预测概率中的每个预测概率与所述第二组预测概率中对应的预测概率的加权和值;在所述多个车道中将对应的所述加权和值最大的车道确定为所述目标车道。
可选地,所述装置用于通过如下方式根据所述多个车道对应的第一组预测概率以及所述观测信息,在所述多个车道中确定所述目标车道:对所述多个车道分别执行如下步骤得到第三组预测概率:在所述第一组预测概率中的第一预测概率表示所述目标车辆行驶在第二车道的概率的情况下,获取所述目标车辆在上一时刻由第三车道转移至所述第二车道的第二预测概率,其中,所述第三车道为所述目标车辆在所述上一时刻行驶的车道,所述多个车道包括所述第二车道和所述第三车道;根据所述第一预测概率与所述第二预测概率确定所述目标车辆当前行驶在所述第二车道的第三预测概率,其中,所述第三组预测概率包括所述第三预测概率;根据所述第三组预测概率以及所述观测信息,在所述多个车道中确定所述目标车道。
可选地,所述装置还用于:获取所述目标车辆在上一时刻行驶在所述第三车道的第四预测概率;根据所述第一预测概率、所述第三预测概率与所述第四预测概率以及所述观测信息,在所述多个车道中确定所述目标车道。
根据本发明实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述车道定位方法。
根据本申请实施例的又一方面,提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行如以上车道定位方法。
根据本发明实施例的又一方面,还提供了一种电子设备,包括存储器和处理器,上述存储器中存储有计算机程序,上述处理器被设置为通过所述计算机程序执行上述的车道定位方法。
在本发明实施例中,采用获取目标车辆的定位信息以及至少一个类型的观测信息,其中,观测信息包括目标车辆在行驶过程中观测到的与定位信息对应的车辆行驶数据,根据目标车辆的定位信息获取第一局部地图数据,其中,第一局部地图数据中包括与定位信息关联的多个车道的车道数据,根据第一局部地图数据确定第一组预测概率,其中,第一组预测概率中的每个预测概率用于表示由第一局部地图数据确定的目标车辆在多个车道上行驶的概率,根据至少一个类型的观测信息确定第二组预测概率,其中,第二组预测概率中的每个预测概率用于表示由至少一个观测信息确定的目标车辆在多个车道上行驶的概率,根据第一组预测概率与第二组预测概率,在多个车道中确定目标车道,其中,目标车道为目标车辆当前所行驶的车道的方式,通过获取目标车辆的定位信息以及至少一个类型的观测信息,综合判断目标车辆当前所处的车道,避免了现有技术中需要通过高精地图才能实现车道定位所导致的成本过高的问题,达到了在维持较低技术成本的基础上,易于实现车道级定位,并且定位准确率较高的目的,从而实现了提高车道定位的准确率,优化了车道定位的定位精度的技术效果,进而解决了相关技术中存在的车道定位的准确率较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的车道定位方法的应用环境的示意图;
图2是根据本发明实施例的一种可选的车道定位方法的流程示意图;
图3是根据本发明实施例的一种可选的车道定位方法的示意图;
图4是根据本发明实施例的又一种可选的车道定位方法的示意图;
图5是根据本发明实施例的又一种可选的车道定位方法的示意图;
图6是根据本发明实施例的又一种可选的车道定位方法的示意图;
图7是根据本发明实施例的又一种可选的车道定位方法的示意图;
图8是根据本发明实施例的又一种可选的车道定位方法的示意图;
图9是根据本发明实施例的又一种可选的车道定位方法的示意图;
图10是根据本发明实施例的又一种可选的车道定位方法的示意图;
图11是根据本发明实施例的又一种可选的车道定位方法的示意图;
图12是根据本发明实施例的又一种可选的车道定位方法的示意图;
图13是根据本发明实施例的一种可选的车道定位装置的结构示意图;
图14是根据本发明实施例的一种可选的车道定位产品的结构示意图;
图15是根据本发明实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先,在对本申请实施例进行描述的过程中出现的部分名词或者术语适用于如下解释:
车道级数据:传统的普通道路数据为SD(Standard Definition)数据,主要记录道路的基本属性,如道路长度、车道数、方向和拓扑等基本信息;信息最丰富的高精道路数据为HD(High Definition)数据,记录了非常精确而且丰富的道路信息,包括道路车道线方程/行点坐标、车道类型、车道限速、车道标线类型、电线杆坐标、指路牌位置、摄像头/红绿灯位置等。
车道级数据可以认为是一种比SD信息更丰富,但又达不到高精标准的数据规格,相对于SD数据而言,包含道路的车道级信息,如车道线方程/行点坐标、车道类型、车道限速、车道标线类型、车道拓扑信息等。
基于高精数据的车道级吸附:输入当前车辆的位置信息(经纬度坐标)、方向等信息,给出车辆对应的高精车道中心线坐标,即将车辆绑定在某个车道的中心线上。
下面结合实施例对本发明进行说明:
根据本发明实施例的一个方面,提供了一种车道定位方法,可选地,在本实施例中,上述车道定位方法可以应用于如图1所示的由服务器101和终端设备103所构成的硬件环境中。如图1所示,服务器101通过网络与终端103进行连接,可用于为终端设备或终端设备上安装的应用程序提供服务,应用程序可以是视频应用程序、即时通信应用程序、浏览器应用程序、教育应用程序、游戏应用程序等。可在服务器上或独立于服务器设置数据库105,用于为服务器101提供数据存储服务,例如,游戏数据存储服务器,上述网络可以包括但不限于:有线网络,无线网络,其中,该有线网络包括:局域网、城域网和广域网,该无线网络包括:蓝牙、WIFI及其他实现无线通信的网络,终端设备103可以是配置有应用程序的终端,可以包括但不限于以下至少之一:手机(如Android手机、iOS手机等)、笔记本电脑、平板电脑、掌上电脑、MID(Mobile Internet Devices,移动互联网设备)、PAD、台式电脑、智能电视以及车载终端等计算机设备,上述服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群,或者是云服务器,使用上述车道定位方法的应用程序107通过终端设备103进行显示。
结合图1所示,上述车道定位方法可以在终端设备103通过如下步骤实现:
S1,在终端设备103上获取目标车辆的定位信息以及至少一个类型的观测信息,其中,观测信息包括目标车辆在行驶过程中观测到的与定位信息对应的车辆行驶数据;
S2,在终端设备103上根据目标车辆的定位信息获取第一局部地图数据,其中,第一局部地图数据中包括与定位信息关联的多个车道的车道数据;
S3,在终端设备103上根据第一局部地图数据确定第一组预测概率,其中,第一组预测概率中的每个预测概率用于表示由第一局部地图数据确定的目标车辆在多个车道上行驶的概率;
S4,在终端设备103上根据至少一个类型的观测信息确定第二组预测概率,其中,第二组预测概率中的每个预测概率用于表示由至少一个观测信息确定的目标车辆在多个车道上行驶的概率;
S5,在终端设备103上根据第一组预测概率与第二组预测概率,在多个车道中确定目标车道,其中,目标车道为目标车辆当前所行驶的车道。
可选地,在本实施例中,上述车道定位方法还可以通过服务器实现,例如,图1所示的服务器101中实现;或由用户终端和服务器共同实现。
上述仅是一种示例,本实施例不做具体的限定。
可选地,作为一种可选的实施方式,如图2所示,上述车道定位方法包括:
S202,获取目标车辆的定位信息以及至少一个类型的观测信息,其中,所述观测信息包括所述目标车辆在行驶过程中观测到的与所述定位信息对应的车辆行驶数据;
S204,根据所述目标车辆的定位信息获取第一局部地图数据,其中,所述第一局部地图数据中包括与所述定位信息关联的多个车道的车道数据;
S206,根据所述第一局部地图数据确定第一组预测概率,其中,所述第一组预测概率中的每个预测概率用于表示由所述第一局部地图数据确定的所述目标车辆在所述多个车道上行驶的概率;
S208,根据所述至少一个类型的观测信息确定第二组预测概率,其中,所述第二组预测概率中的每个预测概率用于表示由所述至少一个观测信息确定的所述目标车辆在所述多个车道上行驶的概率;
S210,根据所述第一组预测概率与所述第二组预测概率,在所述多个车道中确定所述目标车道,其中,所述目标车道为所述目标车辆当前所行驶的车道。
可选地,在本实施例中,上述车道定位方法的应用场景可以包括但不限于医疗、金融、征信、银行、政务、能源、教育、安防、楼宇、游戏、交通、物联、工业等多种应用场景的车道级定位中。
具体而言,本申请实施例提供的车道级定位方法可适用于地图、导航、自动驾驶、智能车辆控制、车联网、智能交通以及云计算等领域,如可适用于交通领域中的智慧交通系统(Intelligent Traffic System,ITS)以及智能车路协同系统(Intelligent VehicleInfrastructure Cooperative Systems,IVICS)。
其中,智能交通系统又称智能运输系统(Intelligent Transportation System),是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造,加强车辆、道路、使用者三者之间的联系,从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。基于本申请实施例提供的车道级定位方法,可确定车道在道路中的行进车道,从而为交通运输、服务控制等方面提供有力保障。
其中,智能车路协同系统简称车路协同系统,是智能交通系统(ITS)的一个发展方向。车路协同系统是采用先进的无线通信和新一代互联网等技术,全方位实施车车、车路动态实时信息交互,并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理,充分实现人车路的有效协同,保证交通安全,提高通行效率,从而形成的安全、高效和环保的道路交通系统。基于本申请实施例提供的车道级定位方法,可基于车辆的车道级定位,来为交通安全、车路协同提供技术支持。
需要说明的是,本实施例应用于智能车控制技术领域、自动驾驶领域和高级辅助驾驶领域中时,现有的GPS定位系统只能将车辆所在公路/道路以及公路方向进行定位,无法进行车辆所在车道的精确定位。本实施例可以基于不准确的GPS结果以及车道级底图、视觉结果等额外信息,得到车道级的定位体验。在地图导航领域中,车辆的车道级定位非常重要,车道级定位对于车辆确定自身所处横向位置、制定导航策略具有重要的意义。此外,基于车道级定位的结果,还可以进行车辆车道级的路径规划和引导。
惯性传感器:惯性传感器是一种传感器,主要是检测和测量加速度、倾斜、冲击、振动、旋转和多自由度(DoF)运动,是解决导航、定向和运动载体控制的重要部件;目前智能手机等移动终端通常配置有MEMS惯性传感器;
全球卫星导航系统:全球卫星导航系统,(the Global Navigation SatelliteSystem),也称为全球导航卫星系统,是能在地球表面或近地空间的任何地点为用户提供全天候的3维坐标和速度以及时间信息的空基无线电导航定位系统。常见系统有GPS、BDS、GLONASS和GALILEO四大卫星导航系统。最早出现的是美国的GPS(Global PositioningSystem),现阶段技术最完善的也是GPS系统。随着近年来BDS、GLONASS系统在亚太地区的全面服务开启,尤其是BDS系统在民用领域发展越来越快。卫星导航系统已经在航空、航海、通信、人员跟踪、消费娱乐、测绘、授时、车辆监控管理和汽车导航与信息服务等方面广泛使用,而且总的发展趋势是为实时应用提供高精度服务。
视觉传感器:视觉传感器成像实际是将真实的三维空间中的三维点映射到二维空间的成像平面中的过程,可以使用小针孔成像模型来描述该过程;车载摄像头是一种视觉传感器,利用计算机视觉对实时影像数据进行处理;计算机视觉是计算机科学和机器人学迅速发展的前沿领域;随着视觉传感器图像数据质量的提高,以及它们的尺寸和价格也在不断地下降,同时伴随众多计算机视觉开源代码工具的可用性,使得计算机视觉领域更容易和适用于更广泛的应用场景;计算机视觉通过相机或摄影摄像头,将现实世界中的三维空间信息投影至二维平面。计算机视觉处理的最终目的就是要从感知到的二维图像中提取相关且可用的三维世界信息;
车载影像数据:车载影像数据是由车载摄像头提供的,车载摄像头是实现众多预警、识别类ADAS功能的基础,在大多数ADAS功能中,视觉影像处理系统较为基础,而摄像头又是视觉影像处理系统的输入,因此车载摄像头对于智能驾驶必不可少;车载摄像头的前置摄像头的类型主要包括单目和双摄,其中双目摄像头拥有更好的测距功能,但需要装在两个不同的位置,成本较单目贵50%左右;环视摄像头的类型是广角镜头,在车四周装配4个进行图像拼接实现全景图,加入算法可实现道路线感知;而后视摄像头则是广角或鱼眼镜头,主要为倒车后置镜头;车载摄像头主要包括有内视摄像头、后视摄像头、前置摄像头、侧视摄像头、环视摄像头等。目前摄像头车内主要应用于倒车影像(后视)和360度全景(环视)场景,高端汽车的各种辅助设备配备的摄像头可多达8个,用于辅助驾驶员泊车或触发紧急刹车。当摄像头成功取代侧视镜时,汽车上的摄像头数量将达到12个,而随着无人驾驶技术的发展,L3以上智能驾驶车型对摄像头的需求将增加;本申请可以利用前置摄像头或行车记录仪摄像头采集的影像数据辅助卫星定位设备;车道级定位还有利于提高现有道路网络的车辆通行率缓解交通拥堵,另一方面可以提高汽车行驶安全,降低交通事故率改善交通安全,降低能源消耗和环境污染,对减少污染、缓解交通拥堵有重大意义。
另一方面,可拓展多源信号融合定位方案可以适配不同车型、不同传感器输入而无需大规模调整算法,也能更好地支持量产,在相对基于RTK的定位技术、基于铺设传感器的定位技术以及基于激光雷达测距和3D点云特征扫描的技术的成本均较低,同时准确率也能够保证。
可选地,在本实施例中,上述目标车辆的定位信息可以包括但不限于目标车辆的经纬度坐标信息,具体而言,可以包括但不限于由车辆定位模块确定,其中,目标车辆在当前时刻的定位信息可以基于卫星定位信息确定,或者基于车辆控制信息、车辆视觉感知信息以及惯性测量单元(Inertial Measurement Unit,IMU)信息等。
可选地,在本实施例中,上述至少一个类型的观测信息可以包括但不限于如车辆速度信息、车辆航向角度信息、视觉车道线识别信息(车道线颜色、类型)等。
可选地,在本实施例中,上述第一局部地图数据可以包括但不限于局部车道级地图数据,或者,局部车道级地图数据与高精地图数据的部分信息,例如,可以包括不限于上述与定位信息关联的多个车道的车道线方程/行点坐标、车道类型、车道限速、车道标线类型、车道拓扑信息等。
上述第一局部地图数据可以为已有的地图数据、高级驾驶辅助系统(AdvancedDriving Assistance System,ADAS)数据、车联网数据等,在此不做限制。其中,ADAS是利用安装于车上的各式各样的传感器,在第一时间收集车内外的环境数据,进行静、动态物体的辨识、侦测与追踪等技术上的处理,从而能够让驾驶者在最快的时间察觉可能发生的危险,以引起注意和提高安全性的主动安全技术。
具体地,以当前时刻为例,在获取目标车辆在当前时刻所处位置的第一局部地图数据时,可确定车辆在当前时刻的定位信息,进而基于车辆在当前时刻的定位信息,确定第一局部地图数据。
其中,上述第一局部地图数据可以从数据库、数据库管理系统或者区块链等获取,具体可基于实际应用场景需求确定,在此不做限制。其中,区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块用于存储各路段的道路数据。
可选地,在本实施例中,上述目标车道即为预测得到的目标车辆当前行驶的车道,可以包括但不限于通过预测概率表示,将预测概率取值最大的车道确定为上述目标车道,上述预测概率表示预测目标车辆处于上述多个车道中某个车道的概率。
可选地,在本实施例中,可以包括但不限于如下示例:
以车辆位置信息(车辆经纬度坐标)、车辆速度信息、车辆航向角度信息、视觉车道线识别信息(车道线颜色、类型)等中的一种或多种进行输入,结合高精数据得到目标车辆当前匹配的目标车道,并且同时给出基于高精车道中心线信息的车辆吸附投影点坐标,供上层应用使用(如路线规划、引导性绘制,底图APP车标展示等)。该方法具有较强的拓展性(可以根据实际增减观测信息),并且可以支持多种不同的输入组合(适配不同的车辆),具体实现方式如下:
S1,获取观测信息,至少包括目标车辆当前的定位信息(车辆经纬度坐标),以及可选的观测信息,如车辆速度信息、车辆航向角度信息、视觉车道线识别信息(车道线颜色、类型)等。
S2,通过目标车辆当前的定位信息,获取第一局部车道级地图数据,第一局部车道级地图数据的车道级信息包括诸如车道线方程/行点坐标、车道类型、车道限速、车道标线类型、车道拓扑信息等。
S3,运用HMM模型(隐马尔可夫模型,Hidden Markov Model),将多个车道的每个车道表示为一个状态,通过观测信息输入和车道级地图真值数据信息,计算各个车道的预测概率,通过车道级拓扑信息获得车道状态的预测概率,最终使用维特比算法得到当前时刻的车道级定位结果(目标车辆所在的目标车道),并且给出对应的车道中心线吸附坐标。
上述仅是一种示例,本实施例不做任何具体的限定。
例如,图3是根据本发明实施例的一种可选的车道定位方法的示意图,上述车道定位流程如图3所示,包括车辆定位模块、地图数据模块、其他可选模块以及车道级定位模块,可以包括但不限于如下内容:
1.车辆定位模块
车辆定位模块,跟踪车辆在历史定位时段中采集的历史状态信息,其中,历史状态信息包括但不限于全球定位系统GPS信息(可以基于普通GNSS定位,PPP定位,RTK定位)、车辆控制信息、车辆视觉感知信息以及惯性测量单元IMU信息等。最终该模块通过一定的算法和规则输出一个当前时刻的定位信息P(车辆位置经纬度坐标)。该定位信息用于从地图数据模块中获取第一局部地图数据以及用于车道匹配,是车道级定位判断的重要输入,也是车道级吸附/匹配结果的参考点。
2.其他可选模块
其他可选模块用于提供车道级定位的补充观测信息,包括但不限于
运动数据模块,提供车辆的实时车速信息、IMU信息(如车辆航向角度信息)、方向盘转角信息等;
图像处理模块,提供车辆前方视觉道路信息的处理结果,摄像头可以为一个安装在车上(安装在挡风玻璃,或者车顶等位置)的单目摄像头获取车前方的道路图像,之后对采集到的图片进行分析处理,最终输出识别出的车辆周围(左侧和右侧)的车道线类型和颜色信息(可以通过机器学习方法),以及其置信度quality。
其中车道线颜色包括但不限于黄色、白色、蓝色、绿色、灰色、黑色,其他;
车道线类型包括但不限于单实线、单虚线、双实线、双虚线、左虚右实、左实右虚、防护栏、路缘石、马路牙、道路边缘,其他。
激光雷达模块:提供雷达扫描的3D点云结果,用于和高精地图进行匹配。
超声波雷达:同激光雷达模块,提供雷达测量结果,得到一些标志物的位置信息,用于和高精地图匹配。
其他模块:如环视摄像头(每个摄像头的结果可以作为一个观测值)、车辆四轮速等。
以图像处理模块为例,假设最多只识别4根车道线的信息,即车辆左侧两根和车辆右侧两根,图4是根据本发明实施例的另一种可选的车道定位方法的示意图,如图4所示,如果在道路边缘,最左侧的车道线即表示道路边缘/路沿/马路牙子,当目标车辆行驶在最左侧车道时,L1表示最左侧车道的左侧车道线,L2表示道路边缘/路沿/马路牙子。
3.地图数据模块
地图数据模块根据车辆定位模块的定位信息,匹配到对应道路位置,进而获取当前位置的第一局部地图信息,上述第一局部地图数据包括定位信息关联的局部车道级道路信息。数据中包含车辆定位点局部区域的车道级信息,包括车道总数、各个车道的车道线颜色和类型信息、各个车道的车道中心线形点坐标、车道限速、车道拓扑信息等。
假设地图数据返回是车道组数据,记为laneGroup,图5是根据本发明实施例的又一种可选的车道定位方法的示意图,如图5所示,每个laneGroup内的车道总数是一致的,车道线类型和颜色也是一致的,不同的laneGroup划分可能是因为车道线类型/颜色不同,也可能是车道数不同,laneGroup 1与laneGroup 2表示连续的车道组,laneGroup 2与laneGroup 3表示连续的车道组,其中,图5中箭头表示车道拓扑关系,地图数据模块会返回车辆定位点所在的laneGroup数据信息,如果为空表示该区域没有所需要的车道级数据。车道级数据还包括车道边界类型(马路牙子、护栏)、车道线类型(虚实线、双线等)、车道线颜色(黄、白色等)、车道中心点坐标(如图5中的点)。
4.车道级定位模块
图6是根据本发明实施例的又一种可选的车道定位方法的示意图,上述车道级定位模块的运行流程如图6所示,可以认为该流程图是图3的展开说明,其中,车道级定位模块展开之后包括条件判断模块、初始化模块、LaneGroup更新模块、计算发射概率(预测目标车辆当前所在车道的概率)、计算转移概率(预测目标车辆由一个车道转移到另一个车道的概率)以及用维特比算法计算目标车道。
需要说明的是,如果当前定位信息关联的区域没有车道级数据,即数据模块返回结果为空,则持续等待,直到进入有车道级数据的区域,再开始进行车道级匹配。
上述仅是一种示例,本实施例不做任何具体的限定。
通过本实施例,采用获取目标车辆的定位信息以及至少一个类型的观测信息,其中,观测信息包括目标车辆在行驶过程中观测到的与定位信息对应的车辆行驶数据,根据目标车辆的定位信息获取第一局部地图数据,其中,第一局部地图数据中包括与定位信息关联的多个车道的车道数据,根据第一局部地图数据确定第一组预测概率,其中,第一组预测概率中的每个预测概率用于表示由第一局部地图数据确定的目标车辆在多个车道上行驶的概率,根据至少一个类型的观测信息确定第二组预测概率,其中,第二组预测概率中的每个预测概率用于表示由至少一个观测信息确定的目标车辆在多个车道上行驶的概率,根据第一组预测概率与第二组预测概率,在多个车道中确定目标车道,其中,目标车道为目标车辆当前所行驶的车道的方式,通过获取目标车辆的定位信息以及至少一个类型的观测信息,综合判断目标车辆当前所处的车道,避免了现有技术中需要通过高精地图才能实现车道定位所导致的成本过高的问题,达到了在维持一定技术成本的基础上,能够实现车道定位的目的,从而实现了提高车道定位的准确率的技术效果,进而解决了相关技术中存在的车道定位的准确率较低的技术问题。
作为一种可选的方案,所述根据所述第一局部地图数据确定第一组预测概率,包括:
在所述第一局部地图数据包括所述多个车道对应的车道中间线数据的情况下,根据所述定位信息和所述车道中间线数据确定所述目标车辆在所述多个车道中的每个车道上的投影距离,其中,所述车道中间线数据用于指示所述多个车道中的每个车道的中间线的位置;
根据所述目标车辆在所述多个车道中的每个车道上的投影距离,确定所述多个车道对应的所述第一组预测概率,其中,所述第一组预测概率中的每个车道的预测概率与所述目标车辆在所述多个车道中对应的车道上的投影距离呈负相关关系。
可选地,在本实施例中,上述车道中间线可以包括但不限于根据车道的中间点确定,上述中间点可以包括但不限于车道中心线形点。
可选地,在本实施例中,上述在第一局部地图数据包括多个车道对应的车道中间线数据的情况下,根据定位信息和车道中间线数据确定目标车辆在多个车道中的每个车道上的投影距离可以包括但不限于如下步骤:
例如,图7是根据本发明实施例的又一种可选的车道定位方法的示意图,如图7所示,对于多个车道中每个车道i,首先从第一局部地图数据中获取车道i的车道中心线形点坐标,计算目标车辆到车道中心线的正投影坐标以及投影距离,上述车道定位方法需要车道级数据/高精数据信息(包含车道中心线的点串几何坐标),以获得各个车道的第一组预测概率,如图7所示,得到目标车辆的定位信息(坐标P)可以根据车道中心线中连续两个形点进行投影计算,判断坐标P的投影点是否落在两个形点组成的线段内,以得到上述目标车辆在多个车道中的每个车道上的投影距离。
可选地,在本实施例中,上述根据目标车辆在多个车道中的每个车道上的投影距离,确定多个车道对应的第一组预测概率可以包括但不限于将上述投影距离与上述第一组预测概率配置为负相关,具体而言,可以包括但不限于单调递减函数关系,当目标车辆在多个车道中对应的车道上的投影距离越小时,则第一组预测概率中的每个车道的预测概率越大。
可选地,在本实施例中,上述根据多个车道对应的第一组预测概率以及观测信息,在多个车道中确定目标车道可以包括但不限于根据第一局部地图数据的精度确定,其中,如果第一局部地图数据是普通地图数据,则各个车道的概率都返回1.0,表示该观测信息不用来影响车道定位结果,依靠其他观测信息来进行车道级定位。
作为一种可选的方案,所述根据所述定位信息和所述车道中间线数据确定所述目标车辆在所述多个车道中的每个车道上的投影距离,包括:
根据所述第一局部地图数据确定所述多个车道中的每个车道的多个中间点,其中,所述每个车道的多个中间点之间的连线表示所述每个车道的中间线;
根据所述定位信息确定所述目标车辆在目标线段的投影位置,其中,所述多个中间点包括所述第一中间点和所述第二中间点,所述第一中间点与所述第二中间点相邻,所述目标线段为所述第一中间点和所述第二中间点相连接组成的线段;
根据所述定位信息指示的位置、所述第一中间点所在的位置和所述第二中间点所在的位置,确定所述目标车辆在所述目标线段对应的车道上的投影距离。
可选地,在本实施例中,上述车道的多个中间点可以包括但不限于车道的形点,如图7所示,每个路段的每个车道均预先存储有多个形点,以指示该车道的车道中心线,具体而言,两个连续形点之间组成的连线即为车道的中心线。
可选地,在本实施例中,上述根据定位信息指示的位置、第一中间点所在的位置和第二中间点所在的位置,确定目标车辆在目标线段对应的车道上的投影距离可以包括但不限于先判断车辆坐标是否位于第一中间点和第二中间点相连接的线段之间,以表示当前计算的投影距离是否指示与车辆位置对应的投影距离。
例如,图8是根据本发明实施例的又一种可选的车道定位方法的示意图,上述坐标P的投影点是否落在两个形点组成的线段内的结果和示意如图8所示,P表示车辆定位坐标,A、B表示车道中心线上的任意两个连续形点,M表示P往线段AB的投影点,其中,图8中(a)是正确匹配结果,即M在A、B之间,在数学定义系数r,, 图8中(a)对应,图8中(b)对应r > 1,图8中(c)对应r < 0。当出现如图8中(b)所示,M点位于线段之外,且靠近点B时,则沿AB方向继续查找下一个形点C,并判断P在线段BC上的投影位置是否位于线段BC之间,以此类推,当出现如图8中(c)所示,M点位于线段之外,且靠近点A时,则沿BA方向继续查找下一个形点C,并判断P在线段AC上的投影位置是否位于线段AC之间,以此类推。
再例如,图9是根据本发明实施例的又一种可选的车道定位方法的示意图,如图9所示,APB组成一个三角形,投影计算过程可以有多种:
M的坐标可以通过如下方式得到:
M.lon = A.lon + r * (B.lon – A.lon)
M.lat = A.lat + r * (B.lat – A.lat)
其中lon和lat分别表示经度和纬度。
此时,可以计算投影距离d = PM,在完成对车道i的所有连续两个点的投影计算之后,可以得到一个满足条件的最小投影距离d_min,和其对应的投影点M,记录projPoints(i) = M。
需要说明的是,得到基于该车道投影距离对应的第一组预测概率p_dis(i),对概率计算不做限制,一种可行的方式为p_dis(i) = 1 / Max(1.0,d_min)。其中,函数Max(a,b)表示取a,b中的最大值。
作为一种可选的方案,所述根据所述目标车辆在所述多个车道中的每个车道上的投影距离,确定所述多个车道对应的第一组预测概率,包括:
在所述目标车辆在所述多个车道中的第一车道上的投影距离小于或等于预设距离阈值的情况下,将所述第一车道对应的预测概率确定为预设的取值范围内的最大值。
可选地,在本实施例中,上述预设距离阈值可以由系统预设,或者,根据上述第一局部地图数据的精度来灵活调整,以预设阈值是1米为例,当投影距离小于或等于1米,则概率是预设的取值范围内的最大值,当投影距离大于1米时,第一组预测概率为上述p_dis(i)。
作为一种可选的方案,所述根据所述至少一个类型的观测信息确定第二组预测概率,包括:
在所述观测信息包括所述目标车辆的航向信息的情况下,根据所述航向信息确定基准方向与所述多个车道中间线形成的多个夹角,其中,所述航向信息用于指示所述目标车辆的当前行驶的航向角以及对应的所述基准方向;
根据所述航向角与所述多个夹角,确定所述多个车道对应的所述第二组预测概率,其中,所述第二组预测概率中的每个预测概率与对应的角度差呈负相关关系,所述对应的角度差是所述多个夹角中对应的夹角与所述航向角之间的角度差。
可选地,在本实施例中,上述航向信息可以包括但不限于车辆航向角度和基准方向,上述基准方向可以包括但不限于正东、东南、正北等。
可选地,在本实施例中,上述根据航向信息确定基准方向与多个车道中间线形成的多个夹角可以包括但不限于根据目标车辆的基准方向来确定该基准方向和车道中间线之间形成的夹角,每个车道对应的车道中间线分辨对应多个夹角中的一个夹角。
可选地,在本实施例中,上述根据航向角与多个夹角,确定多个车道对应的第二组预测概率可以包括但不限于确定出航向角与多个夹角之间的多个角度差,上述第二组预测概率中的每个预测概率与上述多个角度差中的每个角度差的大小呈负相关关系,上述负相关关系可以理解单调递减函数,当角度差越小时,则上述第二组预测概率越大。
例如,图10是根据本发明实施例的又一种可选的车道定位方法的示意图,如图10所示,加入车辆航向角度,以及线段AB的方向角度,其中,只在图9中所示的PM=r,满足对应的d_min情况下进行计算,角度和角度是同一规则下的角度表示,如正北为0,顺时针为正,取值在0-360度之间。(也可以正东为0,逆时针为正,不做限制)。
其中,calcAziDiff(a, b)是一个函数,计算北0坐标系下,a和b的角度差。对其实现方式不做限制,一种可行的方法为:
float calcAziDiff(float a, float b) {
float c = a - b;
if (c < -180.0f) {
c = 360.0f + c;
} else if (c > 180.0f) {
c = c - 360.0f;
}
return c;
}
基于aziDiff得到角度差对应的预测概率p_azi(i),这里对概率计算不做限制,一种可行的方式为p_azi(i) = 1 / Max(1.0,ABS(aziDiff/10))。其中函数Max(a,b)表示取a,b中的最大值。ABS()表示取绝对值。
上述仅是一种示例,本实施例不做任何具体的限定。
可选地,在本实施例中,上述根据第一组预测概率与第二组预测概率,在多个车道中确定目标车道可以包括但不限于将多个车道中每个车道在第一组预测概率中的概率值和第二组预测概率中的概率值相乘或相加,以得到与多个车道中每个车道一一对应的概率和或概率乘积,将取值最大的概率和或概率乘积所对应的车道确定为上述目标车辆所在的目标车道。
作为一种可选的方案,所述根据所述至少一个类型的观测信息确定第二组预测概率,包括:
在所述观测信息包括所述目标车辆的当前行驶的车速的情况下,根据所述当前行驶的车速与所述第一局部地图数据中的目标限速信息,确定所述目标车辆行驶在所述多个车道的所述第二组预测概率,其中,所述第二组预测概率中的每个预测概率与所述当前行驶的车速是否位于所述目标限速信息中对应的车道上的限速区间内相关,所述目标限速信息包括所述多个车道中的每个车道上的限速区间。
可选地,在本实施例中,上述目标车辆的当前行驶的车速可以包括但不限于根据GPS卫星测速获取,上述目标限速信息可以包括但不限于从上述第一局部地图数据中获取,上述目标限速信息包括多个车道中每个车道的限速信息,上述每个车道的限速信息可能相同或者不同,以高速公路为例,左侧超车道一般限速为100 km/h -120km/h,而中间行车道一般限速为80 km/h -100km/h,进而,可以根据目标车辆当前行驶的速度判断目标车辆所行驶的车道。
例如,目标车辆的当前行驶的车速结合车道级数据中的目标限速信息,能在一定程度上区分车辆当前的行驶车道,在高速3车道场景,一般每个车道的限速是不同的,高速公路三条车道限速从左侧数起,一般的限速规定分别如下:
第一条车道:100-120公里/小时(超车道)
第二条车道:90-110公里/小时(行车道)
第三条车道:60-100公里/小时(货车道)
此时,如果目标车辆的当前行驶的车速在115km/h 可以大概率认为目标车辆行驶在左侧第一条车道,如果目标车辆当前行驶的车速为70km/h,可以大概率认为目标车辆行驶在左侧第三条车道。
假设当前的车速为v,车道i的最大限速为limit_max,最小限速为limit_min,则可以计算基于目标车辆当前行驶的速度得到对应的预测概率,这里不做具体限制,一种可行的计算方式为:
上述仅是一种示例,本实施例不做任何具体的限定。
可选地,在本实施例中,上述根据第一组预测概率与第二组预测概率,在多个车道中确定目标车道可以包括但不限于将多个车道中每个车道在第一组预测概率中的概率值和第二组预测概率中的概率值相乘或相加,以得到与多个车道中每个车道一一对应的概率和或概率乘积,将取值最大的概率和或概率乘积所对应的车道确定为上述目标车辆所在的目标车道。
作为一种可选的方案,所述根据所述至少一个类型的观测信息确定第二组预测概率,包括:
在所述观测信息包括所述目标车辆的视觉车道线信息的情况下,根据所述视觉车道线信息与所述第一局部地图数据中的车道线属性信息,确定所述多个车道对应的所述第二组预测概率,其中,所述第二组预测概率中的每个预测概率与对应的匹配度相关联,所述对应的匹配度是所述视觉车道线信息中所述多个车道中对应的车道的车道线属性与所述车道线属性信息中所述对应的车道的车道线属性之间的匹配度,所述视觉车道线信息包括所述目标车辆在行驶过程中采集的所述多个车道中的每个车道的车道线属性,所述车道线属性信息包括所述第一局部地图数据中记录的所述多个车道中的每个车道的车道线属性。
可选地,在本实施例中,上述观测信息至少包括需要车道级数据/高精数据,只要记录各个车道的车道线类型、颜色即可。也可以是增强版的普通数据,增加各个车道的车道线颜色、类型的记录。
可选地,在本实施例中,上述车道线属性可以包括但不限于车道线的类型和颜色,上述视觉车道线可以包括但不限于视觉传感器成像获取或者车载影像数据中获取。上述第一局部地图数据中的车道线属性信息可以包括但不限于车道级地图数据中获取。
可选地,在本实施例中,上述第二组预测概率中的每个预测概率与对应的匹配度相关联,对应的匹配度是视觉车道线信息中多个车道中对应的车道的车道线属性与车道线属性信息中对应的车道的车道线属性之间的匹配度可以包括但不限于根据视觉处理得到的车道线类型、道路数据获取的车道线类型、视觉处理得到的车道线颜色、道路数据获取的车道线颜色之间的匹配度进行关联。
例如,如图10所示,在图10中包括的观测信息中增加了车道级数据的车道线类型真值和颜色信息,以及视觉车道线类型和颜色观测。
如图4所示,可以得到目标车辆左右各两根车道线的类型和颜色真值信息,如在边缘车道,则有一根车道线类型用边缘替代,颜色为其他。
用leftQ1,leftQ2,rightQ1,rightQ2分别表示L1,L2,R1,R2四根线和车道级数据真值算出来的匹配概率。
计算过程表示为calcMatchProb(line_type_obs, line_type_real, line_color_obs, line_color_real)。
其中,calcMatchProb()是计算视觉识别的车道线线和真实车道线匹配程度的函数,其参数分别表示为:
·line_type_obs:视觉处理得到的车道线类型
·line_type_real:道路数据获取的车道线类型真值
·line_color_obs:视觉处理得到的车道线颜色
·line_color_real:道路数据获取的车道线颜色真值
只在图9中所示的PM=r,满足对应的d_min情况下进行计算,对该具体计算方法不做限制,一种可行的方式是判断视觉车道线类型和颜色与数据车道线类型颜色真值的匹配程度来获得结果,其结果分为车道线类型匹配程度和车道线颜色匹配程度(值为0~1)两个,最后返回两个结果的乘积。以车道线类型为例,计算匹配程度的方法可以为,完全相同返回1.0 (如单实线和单实线),高度相似返回0.5(如左虚右实和双实线),勉强相似返回0.2(如左虚右实和左实右虚), 完全不同返回0.0(如单虚线和双实线)。
用上述方式可以计算得到leftQ1,leftQ2,rightQ1,rightQ2。最后的到基于视觉的车道i观测概率p_vis(i) = leftQ1 * leftQ2 * rightQ1 * rightQ2。
可选地,在本实施例中,上述根据第一组预测概率与第二组预测概率,在多个车道中确定目标车道可以包括但不限于将多个车道中每个车道在第一组预测概率中的概率值和第二组预测概率中的概率值相乘或相加,以得到与多个车道中每个车道一一对应的概率和或者概率乘积,将取值最大的概率和或概率乘积所对应的车道确定为上述目标车辆所在的目标车道。
作为一种可选的方案,所述根据所述至少一个类型的观测信息确定第二组预测概率,包括:
在所述观测信息包括目标车辆的雷达扫描信息的情况下,根据所述雷达扫描信息与所述第一局部地图数据中的目标物信息,确定所述多个车道对应的所述第二组预测概率,其中,所述雷达扫描信息包括所述目标车辆在行驶过程中采集到的所述多个车道中的每个车道与目标物之间的识别距离,所述目标物信息包括所述第一局部地图数据中记录的所述多个车道中的每个车道与所述目标物之间的目标距离,所述第二组预测概率中的每个预测概率与对应的差值相关联,所述对应的差值是所述雷达扫描信息中的对应的车道与所述目标物之间的所述识别距离和所述目标物信息中的对应的车道与所述目标物之间的所述目标距离之间的差值。
可选地,在本实施例中,上述雷达扫描信息可以包括但不限于目标物信息,上述目标物可以包括但不限于路牌、电线杆、红绿灯,马路边建筑物等,目标物信息可以包括但不限于目标物的类型以及目标物与多个车道中每个车道之间的距离等。
可选地,在本实施例中,上述第二组预测概率中的每个预测概率与对应的差值相关联,对应的差值是雷达扫描信息中的对应的车道与目标物之间的识别距离和目标物信息中的对应的车道与目标物之间的目标距离之间的差值可以包括但不限于当雷达扫描信息中的对应的车道与目标物之间的识别距离和目标物信息中的对应的车道与目标物之间的目标距离之间的差值越小,则上第二组预测概率的取值越大。
例如,以目标物是路牌为例,当目标车辆的雷达扫描信息指示路牌与目标车辆所行驶的车道的识别距离是5米,而目标物信息中路牌与左侧第一条车道的目标距离是3米,与左侧第二条车道的目标距离是10米,则可知,目标车辆所行驶的车道的识别距离与第一条车道的目标距离更接近,此时,将上述目标车辆行驶在第一条车道的概率配置为1或预定范围内的最大值,将上述目标车辆行驶在第一条车道的概率配置为0或预定范围内的最小值,以便后续结合其他观测信息确定目标车辆所行驶的目标车道。
上述仅是一种示例,本实施例不做任何具体的限定。
作为一种可选的方案,所述根据所述第一组预测概率与所述第二组预测概率,在所述多个车道中确定所述目标车道,包括以下之一:
获取所述第一组预测概率中的每个预测概率与所述第二组预测概率中对应的预测概率的乘积;在所述多个车道中将对应的所述乘积最大的车道确定为所述目标车道;或者
获取所述第一组预测概率中的每个预测概率与所述第二组预测概率中对应的预测概率的和值;在所述多个车道中将对应的所述和值最大的车道确定为所述目标车道;或者
获取所述第一组预测概率中的每个预测概率与所述第二组预测概率中对应的预测概率的加权和值;在所述多个车道中将对应的所述加权和值最大的车道确定为所述目标车道。
可选地,在本实施例中,上述获取第一组预测概率中的每个预测概率与第二组预测概率中对应的预测概率的乘积可以包括但不限于在第二组预测概率中包括多种观测信息对应的预测概率时,分别针对不同的观测信息相乘,以得到多个车道中将对应的乘积最大的车道作为目标车道。
例如,对于任一车道i,车道i的观测概率emmisionProb(i),其结果为上述各个观测信息结合车道级地图计算出的概率乘积表示为:
emmisionProb(i)= p_dis(i) * p_azi(i) * p_spd(i) * p_vis(i) * p_radar(i) * p_other(i),其中,p_other(i)为根据除上述观测信息之外的其他观测信息的得到的第二组预测概率,p_dis(i)表示根据目标车辆的定位信息得到的第一组预测概率,p_azi(i)表示根据航向信息得到的第二组预测概率,p_spd(i)表示根据目标车辆的行驶速度得到的第二组预测概率,p_vis(i) 表示根据视觉车道线属性得到的第二组预测概率,p_radar(i)表示根据雷达扫描信息得到的第二组预测概率。
上述仅是一种示例,本实施例不做任何具体的限定。
可选地,在本实施例中,上述获取第一组预测概率中的每个预测概率与第二组预测概率中对应的预测概率的和值可以包括但不限于在第二组预测概率中包括多种观测信息对应的预测概率时,分别针对不同的观测信息相加,以得到多个车道中将对应的和值最大的车道作为目标车道。
可选地,在本实施例中,上述获取第一组预测概率中的每个预测概率与第二组预测概率中对应的预测概率的加权和值可以包括但不限于在第二组预测概率中包括多种观测信息对应的预测概率时,分别针对不同的观测信息进行加权,以得到上述第一组预测概率中的每个预测概率与第二组预测概率中对应的预测概率的加权和值,将多个车道中将对应的加权和值最大的车道确定为目标车道。
作为一种可选的方案,所述根据所述多个车道对应的第一组预测概率以及所述观测信息,在所述多个车道中确定所述目标车道,包括:
对所述多个车道分别执行如下步骤得到第三组预测概率:
在所述第一组预测概率中的第一预测概率表示所述目标车辆行驶在第二车道的概率的情况下,获取所述目标车辆在上一时刻由第三车道转移至所述第二车道的第二预测概率,其中,所述第三车道为所述目标车辆在所述上一时刻行驶的车道,所述多个车道包括所述第二车道和所述第三车道;
根据所述第一预测概率与所述第二预测概率确定所述目标车辆当前行驶在所述第二车道的第三预测概率,其中,所述第三组预测概率包括所述第三预测概率;
根据所述第三组预测概率以及所述观测信息,在所述多个车道中确定所述目标车道。
可选地,在本实施例中,上述第二车道为上述多个车道中任一车道,上述第三车道为目标车辆在上一时刻行驶的任一车道,上述第二预测概率用于表示目标车辆由第三车道转移至第二车道的预测概率。
可选地,在本实施例中,上述获取目标车辆在上一时刻由第三车道转移至第二车道的第二预测概率可以根据目标车辆行驶在不同路段的转移矩阵确定。
例如,以图5为例,道路包括多个路段,记为laneGroup 1、laneGroup 2以及laneGroup 3,比较lastLaneGroup和curLaneGroup是否相同,其中,lastLaneGroup表示上一时刻目标车辆所行驶的路段,curLaneGroup表示目标车辆当前所行驶的路段,转移矩阵用transMatrix表示,它是一个行,N列的矩阵,其中表示lastLaneGroup的车道总数,N表示curLaneGroup的车道总数。
以第一时刻为当前时刻,第二时刻为第一时刻的上一时刻为例,图11是根据本发明实施例的又一种可选的车道定位方法的示意图,如图11所示,当lastLaneGroup(第二路段)和curLaneGroup(第一路段)相同时,则, transMatrix是一个方阵,此时,令该方阵上的对角线元素为1,对矩阵非对角线上的的i行j列元素,transMatrix[i][j]=1.0/abs(i-j),其中abs(*)表示求绝对值操作,transMatrix矩阵表示目标车辆最大概率行驶在相同的车道,小概率和其他车道联通,和其他车道的联通概率随着车道间隔数的增加而减小。
其中,车辆在第二时刻的第二路段包括车道B1、车道B2以及车道B3,车辆在第一时刻的第一路段包括车道A1、车道A2以及车道A3。若车辆在第二路段的任一车道可行驶至第一路段中相邻的其他车道,且车道B1和车道A1、车道B2和车道A2、车道B3和车道A3为相同车道,则车辆在第二时刻处于第二路段的任一车道的情况下,在第一时刻处于第一路段的目标车道的第二预测概率为1/(|m-n|+1)。其中,m为第二路段中各车道对应于概率矩阵中的行索引,n为第一路段中各车道对应于概率矩阵中的列索引。
如图11所示,车辆在第二时刻处于B1车道,在第一时刻处于A1车道的第二预测概率为1,在第一时刻处于A2车道的第二预测概率为1/2,在第一时刻处于A3车道的第二预测概率为1/3;车辆在第二时刻处于B2车道,在第一时刻处于A1车道的第二预测概率为1/2,在第一时刻处于A2车道的第二预测概率为1,在第一时刻处于A3车道的第二预测概率为1/2;车辆在第二时刻处于B3车道,在第一时刻处于A1车道的第二预测概率为1/3,在第一时刻处于A2车道的第二预测概率为1/2,在第一时刻处于A3车道的第二预测概率为1。
以第一时刻为当前时刻,第二时刻为第一时刻的上一时刻为例,图12是根据本发明实施例的又一种可选的车道定位方法的示意图,如图12所示,如果lastLaneGroup和curLaneGroup不相等,则第二路段和第一路段一定是上下游连接关系,此处认为目标车辆不可能在短时间内跨越多个lanegroup。
通过lastLaneGroup至curLaneGroup的车道联通拓扑关系,建立transMatrix,若拓扑关系里lastLaneGroup的车道i联通curLaneGroup的车道j,则令transMatrix[i][j]=1.0,对于剩下的非0元素,赋值为transMatrix[i][j]=0.0
需要说明的是这里transMatrix的赋值方式并不是唯一的,这里不对transMatrix的赋值做限制,前面提到的只是一种可选方案。
其中,车辆在第二时刻的第二路段包括车道B1、车道B2以及车道B3,车辆在第一时刻的第一路段包括车道A1、车道A2、车道A3以及车道A4。若车辆在第二路段的任一车道可行驶至第一路段中相邻的其他车道,且车道B1和车道A2、车道B2和车道A3、车道B3和车道A4为相同车道。
若车道B1和车道A1、以及车道B1与车道A2均为相同车道,即车道B1与车道A1贯通,车道B1与车道A2贯通,则可将车辆在第二时刻处于车道B1的情况下,在第一时刻处于车道A1和车道A2的第二预测概率确定为预设概率1,在第一时刻处于车道A3和车道A4的第二预测概率确定为预设概率0(也可以为其他小于1的概率值)。
若车道B2与车道A3贯通,车辆在第二时刻处于B2车道的情况下,在第一时刻处于A3车道的第二预测概率为1,在第一时刻处于第一路段中其他车道的第二预测概率为0;若车道B3与车道A4贯通,车辆在第二时刻处于B3车道的情况下,在第一时刻处于A4车道的第二预测概率为1,在第一时刻处于第一路段中其他车道的第二预测概率为0。
需要说明的是,在计算上述第二概率时,还可引入上述观测信息,以更新上述第二概率,例如,以观测信息包括目标车辆的行驶速度为例,可以根据目标车辆的行驶速度,调整目标车辆第二预测概率,当目标车辆的行驶速度越大时,则目标车辆的第二预测概率越大,再以观测信息包括目标车辆的航向信息为例,当目标车辆的航向角大于预定阈值时,则目标车辆的第二预测概率越大。
上述仅是一种示例,本实施例不做任何具体限定。
作为一种可选的方案,所述方法还包括:
获取所述目标车辆在上一时刻行驶在所述第三车道的第四预测概率;
根据所述第一预测概率、所述第三预测概率与所述第四预测概率以及所述观测信息,在所述多个车道中确定所述目标车道。
可选地,在本实施例中,上述第四预测概率用于表示上述目标车辆在上一时刻行驶在第三车道的预测概率,计算方式可以与上述第一预测概率相同或不同,可以直接从数据库中获取上述目标车辆行驶在第三车道的第四预测概率,当确认上述目标车辆行驶在第三车道时,则上述第四预测概率为1。
可选地,在本实施例中,上述根据第一预测概率、第三预测概率与第四预测概率以及观测信息,在多个车道中确定目标车道可以通过维特比算法获得。
例如,维特比算法是隐马尔可夫模型(HMM)常用的计算方法。
对curLaneGroup的每个车道j(对应于前述的第二车道),找到从lastLaneGroup的各个车道i(对应于前述的第三车道)转移过来的概率最大值,
即对j=1...N
其中,为目标车辆在上一时刻行驶预测概率矩阵,该预测概率矩阵中的一个元素表示车辆在上一时刻处于车道i的第四预测概率,i为路段中各车道的索引。表示转移概率矩阵,该矩阵中的一个元素表示车辆在上一时刻处于车道i的情况下,在当前时刻处于第一路段的车道j的第三预测概率,j为第一路段中各车道的索引。表示发射概率矩阵,该矩阵中的一个元素表示车辆在当前时刻处于车道i的第一预测概率。
输出laneIndex作为车道定位结果,同时还可以包括但不限于输出projPoints(laneIndex)作为当前车道级中心线投影点坐标(对应于前述的投影位置),供上层使用(例如,路线规划、引导性绘制,底图APP车标展示)。
最后令prevW = W以确定上述目标车道。
上述仅是一种示例,本实施例不做任何具体的限定。
作为一种可选的方案,获取目标车辆在上一时刻由第三车道转移至第二车道的第二预测概率,包括:
根据第一局部地图数据确定目标车辆在当前时刻行驶的第一路段信息;
获取目标车辆在上一时刻行驶的第二路段信息;
根据第一路段信息和第二路段信息确定第二预测概率,其中,在第一路段信息与第二路段信息相同的情况下,根据第二车道和第三车道之间的车道间隔确定第二预测概率,第二车道和第三车道之间间隔越少,第二预测概率越大,在第一路段信息与第二路段信息不相同的情况下,根据多个车道之间的拓扑关系确定第二预测概率。
可选地,在本实施例中,上述第一路段信息和第二路段信息包括但不限于为连续的两个路段信息,上述第二预测概率即为目标车辆由第三车道转移至第二车道的预测概率,上述第一路段信息以及上述第二路段信息可以包括但不限于该路段的路段标识,车道数量,车道中心点形点数据等。
当上述第一路段信息与第二路段信息相同时,则可理解为目标车辆在上一时刻和当前时刻所行驶的路段为同一个路段,则可直接根据车道之间的车道间隔数量确定上述第二预测概率。
例如,当上述第一路段信息与第二路段信息相同,且目标车辆在上一时刻所行驶的第三车道位于图11所示的车道B1上,则目标车辆在当前时刻的转移概率可以如概率矩阵所示。
当上述第一路段信息与第二路段信息不同时,则可理解为目标车辆在上一时刻和当前时刻所行驶的路段为不同路段,则可根据车道之间的车道拓扑关系确定上述第二预测概率。
例如,当上述第一路段信息与第二路段信息不同,且目标车辆在上一时刻所行驶的第三车道位于图12所示的车道B1上,则目标车辆在当前时刻的转移概率可以如概率矩阵所示。
可以理解的是,在本申请的具体实施方式中,涉及到用户信息、道路信息、观测信息等相关的数据,当本申请以上实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一个方面,还提供了一种用于实施上述车道定位方法的车道定位装置。如图13所示,该装置包括:
第一获取模块1302,用于获取目标车辆的定位信息以及至少一个类型的观测信息,其中,所述观测信息包括所述目标车辆在行驶过程中观测到的与所述定位信息对应的车辆行驶数据;
第二获取模块1304,用于根据所述目标车辆的定位信息获取第一局部地图数据,其中,所述第一局部地图数据中包括与所述定位信息关联的多个车道的车道数据;
第一确定模块1306,用于根据所述第一局部地图数据确定第一组预测概率,其中,所述第一组预测概率中的每个预测概率用于表示由所述第一局部地图数据确定的所述目标车辆在所述多个车道上行驶的概率;
第二确定模块1308,用于根据所述至少一个类型的观测信息确定第二组预测概率,其中,所述第二组预测概率中的每个预测概率用于表示由所述至少一个观测信息确定的所述目标车辆在所述多个车道上行驶的概率;
第三确定模块1310,用于根据所述第一组预测概率与所述第二组预测概率,在所述多个车道中确定所述目标车道,其中,所述目标车道为所述目标车辆当前所行驶的车道。
作为一种可选的方案,所述装置用于通过如下方式根据所述第一局部地图数据确定第一组预测概率,包括:在所述第一局部地图数据包括所述多个车道对应的车道中间线数据的情况下,根据所述定位信息和所述车道中间线数据确定所述目标车辆在所述多个车道中的每个车道上的投影距离,其中,所述车道中间线数据用于指示所述多个车道中的每个车道的中间线的位置;根据所述目标车辆在所述多个车道中的每个车道上的投影距离,确定所述多个车道对应的所述第一组预测概率,其中,所述第一组预测概率中的每个车道的预测概率与所述目标车辆在所述多个车道中对应的车道上的投影距离呈负相关关系。
作为一种可选的方案,所述装置用于通过如下方式根据所述定位信息和所述车道中间线数据确定所述目标车辆在所述多个车道中的每个车道上的投影距离:
根据所述第一局部地图数据确定所述多个车道中的每个车道的多个中间点,其中,所述每个车道的多个中间点之间的连线表示所述每个车道的中间线;
根据所述定位信息确定所述目标车辆在目标线段的投影位置,其中,所述多个中间点包括所述第一中间点和所述第二中间点,所述第一中间点与所述第二中间点相邻,所述目标线段为所述第一中间点和所述第二中间点相连接组成的线段;
根据所述定位信息指示的位置、所述第一中间点所在的位置和所述第二中间点所在的位置,确定所述目标车辆在所述目标线段对应的车道上的投影距离。
作为一种可选的方案,所述装置用于通过如下方式根据所述目标车辆在所述多个车道中的每个车道上的投影距离,确定所述多个车道对应的第一组预测概率:
在所述目标车辆在所述多个车道中的第一车道上的投影距离小于或等于预设距离阈值的情况下,将所述第一车道对应的预测概率确定为预设的取值范围内的最大值。
作为一种可选的方案,所述装置用于通过如下方式根据所述至少一个类型的观测信息确定第二组预测概率:
在所述观测信息包括所述目标车辆的航向信息的情况下,根据所述航向信息确定基准方向与所述多个车道中间线形成的多个夹角,其中,所述航向信息用于指示所述目标车辆的当前行驶的航向角以及对应的所述基准方向;
根据所述航向角与所述多个夹角,确定所述多个车道对应的所述第二组预测概率,其中,所述第二组预测概率中的每个预测概率与对应的角度差呈负相关关系,所述对应的角度差是所述多个夹角中对应的夹角与所述航向角之间的角度差。
作为一种可选的方案,所述装置用于通过如下方式根据所述至少一个类型的观测信息确定第二组预测概率:
在所述观测信息包括所述目标车辆的当前行驶的车速的情况下,根据所述当前行驶的车速与所述第一局部地图数据中的目标限速信息,确定所述目标车辆行驶在所述多个车道的所述第二组预测概率,其中,所述第二组预测概率中的每个预测概率与所述当前行驶的车速是否位于所述目标限速信息中对应的车道上的限速区间内相关,所述目标限速信息包括所述多个车道中的每个车道上的限速区间。
作为一种可选的方案,所述装置用于通过如下方式根据所述至少一个类型的观测信息确定第二组预测概率:
在所述观测信息包括所述目标车辆的视觉车道线信息的情况下,根据所述视觉车道线信息与所述第一局部地图数据中的车道线属性信息,确定所述多个车道对应的所述第二组预测概率,其中,所述第二组预测概率中的每个预测概率与对应的匹配度相关联,所述对应的匹配度是所述视觉车道线信息中所述多个车道中对应的车道的车道线属性与所述车道线属性信息中所述对应的车道的车道线属性之间的匹配度,所述视觉车道线信息包括所述目标车辆在行驶过程中采集的所述多个车道中的每个车道的车道线属性,所述车道线属性信息包括所述第一局部地图数据中记录的所述多个车道中的每个车道的车道线属性。
作为一种可选的方案,所述装置用于通过如下方式根据所述至少一个类型的观测信息确定第二组预测概率:
在所述观测信息包括目标车辆的雷达扫描信息的情况下,根据所述雷达扫描信息与所述第一局部地图数据中的目标物信息,确定所述多个车道对应的所述第二组预测概率,其中,所述雷达扫描信息包括所述目标车辆在行驶过程中采集到的所述多个车道中的每个车道与目标物之间的识别距离,所述目标物信息包括所述第一局部地图数据中记录的所述多个车道中的每个车道与所述目标物之间的目标距离,所述第二组预测概率中的每个预测概率与对应的差值相关联,所述对应的差值是所述雷达扫描信息中的对应的车道与所述目标物之间的所述识别距离和所述目标物信息中的对应的车道与所述目标物之间的所述目标距离之间的差值。
作为一种可选的方案,所述装置用于通过以下之一方式根据所述第一组预测概率与所述第二组预测概率,在所述多个车道中确定所述目标车道:
获取所述第一组预测概率中的每个预测概率与所述第二组预测概率中对应的预测概率的乘积;在所述多个车道中将对应的所述乘积最大的车道确定为所述目标车道;或者
获取所述第一组预测概率中的每个预测概率与所述第二组预测概率中对应的预测概率的和值;在所述多个车道中将对应的所述和值最大的车道确定为所述目标车道;或者
获取所述第一组预测概率中的每个预测概率与所述第二组预测概率中对应的预测概率的加权和值;在所述多个车道中将对应的所述加权和值最大的车道确定为所述目标车道。
作为一种可选的方案,所述装置用于通过如下方式根据所述多个车道对应的第一组预测概率以及所述观测信息,在所述多个车道中确定所述目标车道:
对所述多个车道分别执行如下步骤得到第三组预测概率:
在所述第一组预测概率中的第一预测概率表示所述目标车辆行驶在第二车道的概率的情况下,获取所述目标车辆在上一时刻由第三车道转移至所述第二车道的第二预测概率,其中,所述第三车道为所述目标车辆在所述上一时刻行驶的车道,所述多个车道包括所述第二车道和所述第三车道;
根据所述第一预测概率与所述第二预测概率确定所述目标车辆当前行驶在所述第二车道的第三预测概率,其中,所述第三组预测概率包括所述第三预测概率;
根据所述第三组预测概率以及所述观测信息,在所述多个车道中确定所述目标车道。
作为一种可选的方案,所述装置还用于:
获取所述目标车辆在上一时刻行驶在所述第三车道的第四预测概率;
根据所述第一预测概率、所述第三预测概率与所述第四预测概率以及所述观测信息,在所述多个车道中确定所述目标车道。
根据本申请的一个方面,提供了一种计算机程序产品,该计算机程序产品包括计算机程序/指令,该计算机程序/指令包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1409从网络上被下载和安装,和/或从可拆卸介质1411被安装。在该计算机程序被中央处理器1401执行时,执行本申请实施例提供的各种功能。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
图14示意性地示出了用于实现本申请实施例的电子设备的计算机系统结构框图。
需要说明的是,图14示出的电子设备的计算机系统1400仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图14所示,计算机系统1400包括中央处理器1401(Central Processing Unit,CPU),其可以根据存储在只读存储器1402(Read-Only Memory,ROM)中的程序或者从存储部分1408加载到随机访问存储器1403(Random Access Memory,RAM)中的程序而执行各种适当的动作和处理。在随机访问存储器1403中,还存储有系统操作所需的各种程序和数据。中央处理器1401、在只读存储器1402以及随机访问存储器1403通过总线1404彼此相连。输入/输出接口1405(Input /Output接口,即I/O接口)也连接至总线1404。
以下部件连接至输入/输出接口1405:包括键盘、鼠标等的输入部分1406;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1407;包括硬盘等的存储部分1408;以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分1409。通信部分1409经由诸如因特网的网络执行通信处理。驱动器1140也根据需要连接至输入/输出接口1405。可拆卸介质1411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1140上,以便于从其上读出的计算机程序根据需要被安装入存储部分1408。
特别地,根据本申请的实施例,各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1409从网络上被下载和安装,和/或从可拆卸介质1411被安装。在该计算机程序被中央处理器1401执行时,执行本申请的系统中限定的各种功能。
根据本发明实施例的又一个方面,还提供了一种用于实施上述车道定位方法的电子设备,该电子设备可以是图1所示的终端设备或服务器。本实施例以该电子设备为终端设备为例来说明。如图15所示,该电子设备包括存储器1502和处理器1504,该存储器1502中存储有计算机程序,该处理器1504被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取目标车辆的定位信息以及至少一个类型的观测信息,其中,所述观测信息包括所述目标车辆在行驶过程中观测到的与所述定位信息对应的车辆行驶数据;
S2,根据所述目标车辆的定位信息获取第一局部地图数据,其中,所述第一局部地图数据中包括与所述定位信息关联的多个车道的车道数据;
S3,根据所述第一局部地图数据确定第一组预测概率,其中,所述第一组预测概率中的每个预测概率用于表示由所述第一局部地图数据确定的所述目标车辆在所述多个车道上行驶的概率;
S4,根据所述至少一个类型的观测信息确定第二组预测概率,其中,所述第二组预测概率中的每个预测概率用于表示由所述至少一个观测信息确定的所述目标车辆在所述多个车道上行驶的概率;
S5,根据所述第一组预测概率与所述第二组预测概率,在所述多个车道中确定所述目标车道,其中,所述目标车道为所述目标车辆当前所行驶的车道。
可选地,本领域普通技术人员可以理解,图15所示的结构仅为示意,电子装置电子设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图15其并不对上述电子装置电子设备的结构造成限定。例如,电子装置电子设备还可包括比图15中所示更多或者更少的组件(如网络接口等),或者具有与图15所示不同的配置。
其中,存储器1502可用于存储软件程序以及模块,如本发明实施例中的车道定位方法和装置对应的程序指令/模块,处理器1504通过运行存储在存储器1502内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的车道定位方法。存储器1502可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1502可进一步包括相对于处理器1504远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中,存储器1502具体可以但不限于用于存储局部地图数据等信息。作为一种示例,如图15所示,上述存储器1502中可以但不限于包括上述车道定位装置中的第一获取模块1402、第二获取模块1404及确定模块1406。此外,还可以包括但不限于上述车道定位装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置1506用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置1506包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置1506为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子设备还包括:显示器1508,用于显示上述目标车辆的导航信息;和连接总线1510,用于连接上述电子设备中的各个模块部件。
在其他实施例中,上述终端设备或者服务器可以是一个分布式系统中的一个节点,其中,该分布式系统可以为区块链系统,该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中,节点之间可以组成点对点(P2P,Peer To Peer)网络,任意形式的计算设备,比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
根据本申请的一个方面,提供了一种计算机可读存储介质,计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述车道定位方面的各种可选实现方式中提供的车道定位方法。
可选地,在本实施例中,上述计算机可读存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取目标车辆的定位信息以及至少一个类型的观测信息,其中,所述观测信息包括所述目标车辆在行驶过程中观测到的与所述定位信息对应的车辆行驶数据;
S2,根据所述目标车辆的定位信息获取第一局部地图数据,其中,所述第一局部地图数据中包括与所述定位信息关联的多个车道的车道数据;
S3,根据所述第一局部地图数据确定第一组预测概率,其中,所述第一组预测概率中的每个预测概率用于表示由所述第一局部地图数据确定的所述目标车辆在所述多个车道上行驶的概率;
S4,根据所述至少一个类型的观测信息确定第二组预测概率,其中,所述第二组预测概率中的每个预测概率用于表示由所述至少一个观测信息确定的所述目标车辆在所述多个车道上行驶的概率;
S5,根据所述第一组预测概率与所述第二组预测概率,在所述多个车道中确定所述目标车道,其中,所述目标车道为所述目标车辆当前所行驶的车道。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,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的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (15)
1.一种车道定位方法,其特征在于,包括:
获取目标车辆的定位信息以及至少一个类型的观测信息,其中,所述观测信息包括所述目标车辆在行驶过程中观测到的与所述定位信息对应的车辆行驶数据;
根据所述目标车辆的定位信息获取第一局部地图数据,其中,所述第一局部地图数据中包括与所述定位信息关联的多个车道的车道数据;
根据所述第一局部地图数据确定第一组预测概率,其中,所述第一组预测概率中的每个预测概率用于表示由所述第一局部地图数据确定的所述目标车辆在所述多个车道上行驶的概率;
根据所述至少一个类型的观测信息确定第二组预测概率,其中,所述第二组预测概率中的每个预测概率用于表示由所述至少一个观测信息确定的所述目标车辆在所述多个车道上行驶的概率;
根据所述第一组预测概率与所述第二组预测概率,在所述多个车道中确定目标车道,其中,所述目标车道为所述目标车辆当前所行驶的车道。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一局部地图数据确定第一组预测概率,包括:
在所述第一局部地图数据包括所述多个车道对应的车道中间线数据的情况下,根据所述定位信息和所述车道中间线数据确定所述目标车辆在所述多个车道中的每个车道上的投影距离,其中,所述车道中间线数据用于指示所述多个车道中的每个车道的中间线的位置;
根据所述目标车辆在所述多个车道中的每个车道上的投影距离,确定所述多个车道对应的所述第一组预测概率,其中,所述第一组预测概率中的每个车道的预测概率与所述目标车辆在所述多个车道中对应的车道上的投影距离呈负相关关系。
3.根据权利要求2所述的方法,其特征在于,所述根据所述定位信息和所述车道中间线数据确定所述目标车辆在所述多个车道中的每个车道上的投影距离,包括:
根据所述第一局部地图数据确定所述多个车道中的每个车道的多个中间点,其中,所述每个车道的多个中间点之间的连线表示所述每个车道的中间线;
根据所述定位信息确定所述目标车辆在目标线段的投影位置,其中,所述多个中间点包括所述第一中间点和所述第二中间点,所述第一中间点与所述第二中间点相邻,所述目标线段为所述第一中间点和所述第二中间点相连接组成的线段;
根据所述定位信息指示的位置、所述第一中间点所在的位置和所述第二中间点所在的位置,确定所述目标车辆在所述目标线段对应的车道上的投影距离。
4.根据权利要求2所述的方法,其特征在于,所述根据所述目标车辆在所述多个车道中的每个车道上的投影距离,确定所述多个车道对应的第一组预测概率,包括:
在所述目标车辆在所述多个车道中的第一车道上的投影距离小于或等于预设距离阈值的情况下,将所述第一车道对应的预测概率确定为预设的取值范围内的最大值。
5.根据权利要求2所述的方法,其特征在于,所述根据所述至少一个类型的观测信息确定第二组预测概率,包括:
在所述观测信息包括所述目标车辆的航向信息的情况下,根据所述航向信息确定基准方向与所述多个车道中间线形成的多个夹角,其中,所述航向信息用于指示所述目标车辆的当前行驶的航向角以及对应的所述基准方向;
根据所述航向角与所述多个夹角,确定所述多个车道对应的所述第二组预测概率,其中,所述第二组预测概率中的每个预测概率与对应的角度差呈负相关关系,所述对应的角度差是所述多个夹角中对应的夹角与所述航向角之间的角度差。
6.根据权利要求2所述的方法,其特征在于,所述根据所述至少一个类型的观测信息确定第二组预测概率,包括:
在所述观测信息包括所述目标车辆的当前行驶的车速的情况下,根据所述当前行驶的车速与所述第一局部地图数据中的目标限速信息,确定所述目标车辆行驶在所述多个车道的所述第二组预测概率,其中,所述第二组预测概率中的每个预测概率与所述当前行驶的车速是否位于所述目标限速信息中对应的车道上的限速区间内相关,所述目标限速信息包括所述多个车道中的每个车道上的限速区间。
7.根据权利要求2所述的方法,其特征在于,所述根据所述至少一个类型的观测信息确定第二组预测概率,包括:
在所述观测信息包括所述目标车辆的视觉车道线信息的情况下,根据所述视觉车道线信息与所述第一局部地图数据中的车道线属性信息,确定所述多个车道对应的所述第二组预测概率,其中,所述第二组预测概率中的每个预测概率与对应的匹配度相关联,所述对应的匹配度是所述视觉车道线信息中所述多个车道中对应的车道的车道线属性与所述车道线属性信息中所述对应的车道的车道线属性之间的匹配度,所述视觉车道线信息包括所述目标车辆在行驶过程中采集的所述多个车道中的每个车道的车道线属性,所述车道线属性信息包括所述第一局部地图数据中记录的所述多个车道中的每个车道的车道线属性。
8.根据权利要求2所述的方法,其特征在于,所述根据所述至少一个类型的观测信息确定第二组预测概率,包括:
在所述观测信息包括目标车辆的雷达扫描信息的情况下,根据所述雷达扫描信息与所述第一局部地图数据中的目标物信息,确定所述多个车道对应的所述第二组预测概率,其中,所述雷达扫描信息包括所述目标车辆在行驶过程中采集到的所述多个车道中的每个车道与目标物之间的识别距离,所述目标物信息包括所述第一局部地图数据中记录的所述多个车道中的每个车道与所述目标物之间的目标距离,所述第二组预测概率中的每个预测概率与对应的差值相关联,所述对应的差值是所述雷达扫描信息中的对应的车道与所述目标物之间的所述识别距离和所述目标物信息中的对应的车道与所述目标物之间的所述目标距离之间的差值。
9.根据权利要求1所述的方法,其特征在于,所述根据所述第一组预测概率与所述第二组预测概率,在所述多个车道中确定所述目标车道,包括以下之一:
获取所述第一组预测概率中的每个预测概率与所述第二组预测概率中对应的预测概率的乘积;在所述多个车道中将对应的所述乘积最大的车道确定为所述目标车道;或者
获取所述第一组预测概率中的每个预测概率与所述第二组预测概率中对应的预测概率的和值;在所述多个车道中将对应的所述和值最大的车道确定为所述目标车道;或者
获取所述第一组预测概率中的每个预测概率与所述第二组预测概率中对应的预测概率的加权和值;在所述多个车道中将对应的所述加权和值最大的车道确定为所述目标车道。
10.根据权利要求1所述的方法,其特征在于,所述根据所述多个车道对应的第一组预测概率以及所述观测信息,在所述多个车道中确定所述目标车道,包括:
对所述多个车道分别执行如下步骤得到第三组预测概率:
在所述第一组预测概率中的第一预测概率表示所述目标车辆行驶在第二车道的概率的情况下,获取所述目标车辆在上一时刻由第三车道转移至所述第二车道的第二预测概率,其中,所述第三车道为所述目标车辆在所述上一时刻行驶的车道,所述多个车道包括所述第二车道和所述第三车道;
根据所述第一预测概率与所述第二预测概率确定所述目标车辆当前行驶在所述第二车道的第三预测概率,其中,所述第三组预测概率包括所述第三预测概率;
根据所述第三组预测概率以及所述观测信息,在所述多个车道中确定所述目标车道。
11.根据权利要求10所述的方法,其特征在于,所述方法还包括:
获取所述目标车辆在上一时刻行驶在所述第三车道的第四预测概率;
根据所述第一预测概率、所述第三预测概率与所述第四预测概率以及所述观测信息,在所述多个车道中确定所述目标车道。
12.一种车道定位装置,其特征在于,包括:
第一获取模块,用于获取目标车辆的定位信息以及至少一个类型的观测信息,其中,所述观测信息包括所述目标车辆在行驶过程中观测到的与所述定位信息对应的车辆行驶数据;
第二获取模块,用于根据所述目标车辆的定位信息获取第一局部地图数据,其中,所述第一局部地图数据中包括与所述定位信息关联的多个车道的车道数据;
第一确定模块,用于根据所述第一局部地图数据确定第一组预测概率,其中,所述第一组预测概率中的每个预测概率用于表示由所述第一局部地图数据确定的所述目标车辆在所述多个车道上行驶的概率;
第二确定模块,用于根据所述至少一个类型的观测信息确定第二组预测概率,其中,所述第二组预测概率中的每个预测概率用于表示由所述至少一个观测信息确定的所述目标车辆在所述多个车道上行驶的概率;
第三确定模块,用于根据所述第一组预测概率与所述第二组预测概率,在所述多个车道中确定所述目标车道,其中,所述目标车道为所述目标车辆当前所行驶的车道。
13.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质包括存储的程序,其中,所述程序可被终端设备或计算机运行时执行所述权利要求1至11任一项中所述的方法。
14.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1至11任一项中所述方法的步骤。
15.一种电子设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至11任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111520075.9A CN113916242B (zh) | 2021-12-14 | 2021-12-14 | 车道定位方法和装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111520075.9A CN113916242B (zh) | 2021-12-14 | 2021-12-14 | 车道定位方法和装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113916242A true CN113916242A (zh) | 2022-01-11 |
CN113916242B CN113916242B (zh) | 2022-03-25 |
Family
ID=79249130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111520075.9A Active CN113916242B (zh) | 2021-12-14 | 2021-12-14 | 车道定位方法和装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113916242B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114252082A (zh) * | 2022-03-01 | 2022-03-29 | 苏州挚途科技有限公司 | 车辆定位方法、装置和电子设备 |
CN114396959A (zh) * | 2022-03-25 | 2022-04-26 | 华砺智行(武汉)科技有限公司 | 基于高精度地图的车道匹配定位方法、装置、设备及介质 |
CN114937372A (zh) * | 2022-05-18 | 2022-08-23 | 安徽蔚来智驾科技有限公司 | 一种车辆定位系统、定位方法、车辆和存储介质 |
CN115203352A (zh) * | 2022-09-13 | 2022-10-18 | 腾讯科技(深圳)有限公司 | 车道级定位方法、装置、计算机设备和存储介质 |
CN115824235A (zh) * | 2022-11-17 | 2023-03-21 | 腾讯科技(深圳)有限公司 | 一种车道定位方法、装置、计算机设备以及可读存储介质 |
CN116007638A (zh) * | 2023-03-24 | 2023-04-25 | 北京集度科技有限公司 | 车辆轨迹地图匹配方法、装置、电子设备及车辆 |
CN116086469A (zh) * | 2023-01-16 | 2023-05-09 | 禾多科技(北京)有限公司 | 一种车道定位方法及装置 |
CN116380088A (zh) * | 2023-06-05 | 2023-07-04 | 小米汽车科技有限公司 | 车辆定位方法、装置、车辆及存储介质 |
TWI810809B (zh) * | 2022-02-10 | 2023-08-01 | 勤崴國際科技股份有限公司 | 街道路牌之大地座標處理方法 |
CN117542205A (zh) * | 2024-01-10 | 2024-02-09 | 腾讯科技(深圳)有限公司 | 一种车道引导方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130179379A1 (en) * | 2012-01-10 | 2013-07-11 | Denso Corporation | Preceding-Vehicle Identifying Apparatus And Following-Distance Control Apparatus |
US20180165525A1 (en) * | 2015-06-15 | 2018-06-14 | Mitsubishi Electric Corporation | Traveling lane determining device and traveling lane determining method |
CN109552333A (zh) * | 2017-09-26 | 2019-04-02 | 三星电子株式会社 | 车辆运动预测方法和设备 |
CN110060493A (zh) * | 2019-05-16 | 2019-07-26 | 维智汽车电子(天津)有限公司 | 车道定位方法、装置及电子设备 |
CN111428943A (zh) * | 2020-04-23 | 2020-07-17 | 福瑞泰克智能系统有限公司 | 障碍物车辆轨迹预测的方法、设备和计算机设备 |
CN112258893A (zh) * | 2020-09-01 | 2021-01-22 | 华南理工大学 | 一种基于轨道预测的智能车辆换道碰撞概率评估方法 |
CN112937603A (zh) * | 2019-12-10 | 2021-06-11 | 三星电子株式会社 | 用于预测目标车辆的位置的系统和方法 |
CN113375679A (zh) * | 2020-03-10 | 2021-09-10 | 阿里巴巴集团控股有限公司 | 一种车道级定位方法、装置、系统和相关设备 |
EP3901826A2 (en) * | 2020-11-17 | 2021-10-27 | Beijing Baidu Netcom Science Technology Co., Ltd. | Vehicle position determining method, apparatus and electronic device |
-
2021
- 2021-12-14 CN CN202111520075.9A patent/CN113916242B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130179379A1 (en) * | 2012-01-10 | 2013-07-11 | Denso Corporation | Preceding-Vehicle Identifying Apparatus And Following-Distance Control Apparatus |
US20180165525A1 (en) * | 2015-06-15 | 2018-06-14 | Mitsubishi Electric Corporation | Traveling lane determining device and traveling lane determining method |
CN109552333A (zh) * | 2017-09-26 | 2019-04-02 | 三星电子株式会社 | 车辆运动预测方法和设备 |
CN110060493A (zh) * | 2019-05-16 | 2019-07-26 | 维智汽车电子(天津)有限公司 | 车道定位方法、装置及电子设备 |
CN112937603A (zh) * | 2019-12-10 | 2021-06-11 | 三星电子株式会社 | 用于预测目标车辆的位置的系统和方法 |
CN113375679A (zh) * | 2020-03-10 | 2021-09-10 | 阿里巴巴集团控股有限公司 | 一种车道级定位方法、装置、系统和相关设备 |
CN111428943A (zh) * | 2020-04-23 | 2020-07-17 | 福瑞泰克智能系统有限公司 | 障碍物车辆轨迹预测的方法、设备和计算机设备 |
CN112258893A (zh) * | 2020-09-01 | 2021-01-22 | 华南理工大学 | 一种基于轨道预测的智能车辆换道碰撞概率评估方法 |
EP3901826A2 (en) * | 2020-11-17 | 2021-10-27 | Beijing Baidu Netcom Science Technology Co., Ltd. | Vehicle position determining method, apparatus and electronic device |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI810809B (zh) * | 2022-02-10 | 2023-08-01 | 勤崴國際科技股份有限公司 | 街道路牌之大地座標處理方法 |
CN114252082A (zh) * | 2022-03-01 | 2022-03-29 | 苏州挚途科技有限公司 | 车辆定位方法、装置和电子设备 |
CN114396959A (zh) * | 2022-03-25 | 2022-04-26 | 华砺智行(武汉)科技有限公司 | 基于高精度地图的车道匹配定位方法、装置、设备及介质 |
CN114937372A (zh) * | 2022-05-18 | 2022-08-23 | 安徽蔚来智驾科技有限公司 | 一种车辆定位系统、定位方法、车辆和存储介质 |
CN114937372B (zh) * | 2022-05-18 | 2023-09-05 | 安徽蔚来智驾科技有限公司 | 一种车辆定位系统、定位方法、车辆和存储介质 |
CN115203352A (zh) * | 2022-09-13 | 2022-10-18 | 腾讯科技(深圳)有限公司 | 车道级定位方法、装置、计算机设备和存储介质 |
CN115824235A (zh) * | 2022-11-17 | 2023-03-21 | 腾讯科技(深圳)有限公司 | 一种车道定位方法、装置、计算机设备以及可读存储介质 |
WO2024104012A1 (zh) * | 2022-11-17 | 2024-05-23 | 腾讯科技(深圳)有限公司 | 一种车道定位方法、装置、计算机设备、计算机可读存储介质及计算机程序产品 |
CN116086469A (zh) * | 2023-01-16 | 2023-05-09 | 禾多科技(北京)有限公司 | 一种车道定位方法及装置 |
CN116086469B (zh) * | 2023-01-16 | 2023-10-24 | 禾多科技(北京)有限公司 | 一种车道定位方法及装置 |
CN116007638A (zh) * | 2023-03-24 | 2023-04-25 | 北京集度科技有限公司 | 车辆轨迹地图匹配方法、装置、电子设备及车辆 |
CN116380088B (zh) * | 2023-06-05 | 2023-08-29 | 小米汽车科技有限公司 | 车辆定位方法、装置、车辆及存储介质 |
CN116380088A (zh) * | 2023-06-05 | 2023-07-04 | 小米汽车科技有限公司 | 车辆定位方法、装置、车辆及存储介质 |
CN117542205A (zh) * | 2024-01-10 | 2024-02-09 | 腾讯科技(深圳)有限公司 | 一种车道引导方法、装置、设备及存储介质 |
CN117542205B (zh) * | 2024-01-10 | 2024-03-12 | 腾讯科技(深圳)有限公司 | 一种车道引导方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113916242B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113916242B (zh) | 车道定位方法和装置、存储介质及电子设备 | |
CN112204343B (zh) | 高清晰地图数据的可视化 | |
US11217012B2 (en) | System and method for identifying travel way features for autonomous vehicle motion control | |
US10331957B2 (en) | Method, apparatus, and system for vanishing point/horizon estimation using lane models | |
EP3623761B1 (en) | Localization method and apparatus of displaying virtual object in augmented reality | |
CN106352867B (zh) | 用于确定车辆自身位置的方法和设备 | |
US11248925B2 (en) | Augmented road line detection and display system | |
US11155268B2 (en) | Utilizing passenger attention data captured in vehicles for localization and location-based services | |
EP3647734A1 (en) | Automatic generation of dimensionally reduced maps and spatiotemporal localization for navigation of a vehicle | |
DE112019001657T5 (de) | Signalverarbeitungsvorrichtung und signalverarbeitungsverfahren, programm und mobiler körper | |
CN110945320B (zh) | 车辆定位方法和系统 | |
US10928819B2 (en) | Method and apparatus for comparing relevant information between sensor measurements | |
EP3671623B1 (en) | Method, apparatus, and computer program product for generating an overhead view of an environment from a perspective image | |
CN115552200A (zh) | 用于生成重要性占据栅格地图的方法和系统 | |
WO2022041706A1 (zh) | 一种定位方法、定位系统和车辆 | |
Rabe et al. | Ego-lane estimation for lane-level navigation in urban scenarios | |
US20190049252A1 (en) | 3d localization device | |
CN114518122A (zh) | 行车导航方法、装置、计算机设备、存储介质和计算机程序产品 | |
CN115705693A (zh) | 用于传感器数据的标注的方法、系统和存储介质 | |
US11687094B2 (en) | Method, apparatus, and computer program product for organizing autonomous vehicles in an autonomous transition region | |
US20230168100A1 (en) | Automatic annotation of drivable road segments | |
EP3961154A1 (en) | Method, apparatus, and computer program product for generating an automated driving capability map index | |
US20220196409A1 (en) | Method, apparatus, and computer program product for establishing three-dimensional correspondences between images | |
US20220198262A1 (en) | Method, apparatus, and computer program product for surveillance of road environments via deep learning | |
CN115729228A (zh) | 利用可驾驶区域检测来导航的方法和系统以及存储介质 |
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 |