CN114008682A - 用于标识对象的方法和系统 - Google Patents

用于标识对象的方法和系统 Download PDF

Info

Publication number
CN114008682A
CN114008682A CN201980097929.1A CN201980097929A CN114008682A CN 114008682 A CN114008682 A CN 114008682A CN 201980097929 A CN201980097929 A CN 201980097929A CN 114008682 A CN114008682 A CN 114008682A
Authority
CN
China
Prior art keywords
discrete
data
statistical model
format data
model format
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.)
Pending
Application number
CN201980097929.1A
Other languages
English (en)
Inventor
M·德姆林
李千山
田文鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bayerische Motoren Werke AG
Original Assignee
Bayerische Motoren Werke AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bayerische Motoren Werke AG filed Critical Bayerische Motoren Werke AG
Publication of CN114008682A publication Critical patent/CN114008682A/zh
Pending legal-status Critical Current

Links

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
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G06V10/476—Contour-based spatial representations, e.g. vector-coding using statistical shape modelling, e.g. point distribution models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本公开的各示例描述了用于标识对象的方法和装置。该方法包括：在第一时刻，获取由车辆装载的相机输出的原始数据，所输出的原始数据具有针对连续模型的连续数据输出格式或针对离散模型的离散数据输出格式中的一者；将该原始数据馈送到离散统计模型以形成针对第一时刻的离散统计模型格式数据，离散统计模型格式数据包括具有连续数据输出格式的连续部分和具有离散数据输出格式的离散部分；将针对第一时刻的离散统计模型格式数据与历史离散统计模型格式数据进行融合以更新针对第一时刻的离散统计模型格式数据；以及从经更新的针对第一时刻的离散统计模型格式数据中标识对象，其中该对象包括以曲线来表征的车道线。

Description

用于标识对象的方法和系统
技术领域
本公开一般涉及对象标识，更具体地，涉及使用离散统计模型来标识对象。
发明背景
自动驾驶车辆(也称为无人驾驶汽车、自主驾驶汽车、机器人汽车)是一种能够感测其环境并且在无需人类输入的情况下导航的车辆。自动驾驶车辆(在下文中被称为“ADV”)使用各种技术来检测其周边环境，诸如使用雷达、激光、GPS、测程法以及计算机视觉。先进的控制系统解释感测到的信息，以标识适当的导航路径，以及障碍物和相关标志。
更具体地，ADV从各种车载传感器收集传感器数据，诸如视觉类传感器(例如，相机)、雷达类测距传感器(诸如激光雷达、毫米波雷达、超声波雷达)等。相机一般用于捕捉道路的实时图像。例如，通过对实时图像进行处理，可以从图像序列中提取车道线边缘曲线，由此来识别车道线。车道线识别是判断车道偏离的基础，其识别质量将直接影响车辆预警的及时性与准确性。
不同厂商制造的相机可采用不同格式的数据来表示对象。例如，一些相机可采用离散点来表示对象，而另一些相机可采用多项式来表示对象。当前，针对不同的数据格式，需要建立单独的数据模型来进行存储和处理。不存在一种能够同时支持多种不同数据格式的模型。
此外，针对单个时刻所获得的单帧相机数据是不稳定且不可靠的。将针对该时刻的相机数据与针对先前多个时刻的多帧相机数据进行融合以拟合数据从而来标识车道线是理想的。
因此，希望提供一种能够同时支持多种数据格式的模型来实时标识车道线的方案，以便克服上述提及的缺陷。
发明内容
本公开旨在提供用于标识对象的方法和装置。
根据本公开的第一示例性实施例，提供了一种用于标识对象的方法。该方法包括：在第一时刻，获取由车辆装载的相机输出的原始数据，所输出的原始数据具有针对连续模型的连续数据输出格式或针对离散模型的离散数据输出格式中的一者；将该原始数据馈送到离散统计模型以形成针对第一时刻的离散统计模型格式数据，离散统计模型格式数据包括具有连续数据输出格式的连续部分和具有离散数据输出格式的离散部分；将针对第一时刻的离散统计模型格式数据与历史离散统计模型格式数据进行融合以更新针对第一时刻的离散统计模型格式数据；以及从经更新的针对第一时刻的离散统计模型格式数据中标识对象，其中该对象包括以曲线来表征的车道线。
根据本公开的第二示例性实施例，提供了一种用于标识对象的装置。该装置包括：数据获取模块，该数据获取模块被配置成在第一时刻获取由车辆装载的相机输出的原始数据，所输出的原始数据具有针对连续模型的连续数据输出格式或针对离散模型的离散数据输出格式中的一者；数据馈送模块，该数据馈送模块被配置成将原始数据馈送到离散统计模型以形成针对第一时刻的离散统计模型格式数据，离散统计模型格式数据包括具有连续数据输出格式的连续部分和具有离散数据输出格式的离散部分；数据融合模块，该数据融合模块被配置成将针对第一时刻的离散统计模型格式数据与历史离散统计模型格式数据进行融合以更新针对第一时刻的离散统计模型格式数据；以及对象标识模块，该对象标识模块被配置成从经更新的针对第一时刻的离散统计模型格式数据中标识对象，其中该对象包括以曲线来表征的车道线。
根据本公开的第三示例性实施例，提供了一种车辆，该车辆包括一个或多个相机，该相机采用连续模型或离散模型中的一者来表示对象，其中该对象包括以曲线来表征的车道线；以及在如上第二示例性实施例中的装置。
提供本发明内容以便以简化的形式介绍以下在具体实施方式中进一步描述的概念的选集。本概要并非旨在标识出要求保护的主题内容的关键特征或必要特征，亦非旨在用于限定要求保护的主题内容的范围。诸示例的附加的方面、特征和/或优点将在下面的描述中部分地阐述，并且部分地从描述中将是显而易见的，或者可以通过本公开的实践而获知。
附图说明
结合附图，通过以下对示例性实施例的详细描述，本公开的上述和其它方面和优点将变得显而易见，这些附图作为示例解说了本公开的原理。注意，附图不一定按比例绘制。
图1示出了根据本发明的一个或多个实施例的自动驾驶车辆100在道路上行驶的示意图。
图2示出了根据本发明的一个或多个实施例的相机采用连续模型所表示的对象201以及相机采用离散模型所表示的对象201’。
图3是根据本发明的一个或多个实施例的用于标识对象的示例性方法300的流程图。
图4示出了根据本发明的一个或多个实施例的用于离散统计模型格式数据融合的示意图401和402。
图5示出了根据图3的实施例的用于将第一时刻的离散统计模型格式数据与历史离散统计模型格式数据进行融合的方法500的流程图。
图6是根据本发明的一个实施例的用于标识对象的装置600的框图。
图7解说了根据本公开的示例性实施例的其中可应用本公开的一般硬件环境。
具体实施方式
在以下详细描述中，阐述了许多具体细节以提供对所描述的示例性实施例的透彻理解。然而，对于本领域技术人员显而易见的是，可以在没有一些或所有这些具体细节的情况下实践所描述的实施例。在其他示例性实施例中，未详细描述众所周知的结构或处理步骤，以避免不必要地使本公开的概念模糊。
在说明书中使用的术语“车辆”是指汽车、飞机、直升机、轮船等。为了简单起见，结合“汽车”来描述本发明，但是本文所描述的各实施例不仅限于“汽车”，而是可适用于其他种类的交通工具。说明书中使用的术语“A或B”是指“A和B”和“A或B”，而不是意味着A和B是排他的，除非另有说明。
离散统计模型
自主驾驶车辆在道路上行驶时，需要知晓实时的道路状况。为此，多种类型的传感器被装载在车辆上以充当车辆的“眼睛”。目前广泛采用的传感器包括视觉类传感器(例如，相机)和雷达类测距传感器(诸如激光雷达，毫米波雷达，超声波雷达)。其中，相机成本低，可以标识不同的物体，在物体高度与宽度测量精度、车道线识别、行人识别准确度等方面有优势，是实现车道偏离预警和交通标志识别不可缺少的传感器。
参考图1，其示出了自动驾驶车辆100在道路上行驶的示意图。虽然，出于说明的目的，图1中的车辆100采用了相机101、毫米波雷达102和激光雷达103来标识对象，但是本领域的技术人员完全能够理解，本发明的技术方案可以采用更多或更少的传感器。根据本发明的一个实施例，对象包括车道线104。但是本领域的技术人员完全可以理解，其它以曲线表征的对象也在本申请的范围内。
一般而言，由各种相机制造商提供的相机数据的格式是不同的。通常，针对每种格式的传感器数据，采用一个或多个模型来记录该格式的传感器数据。例如，如果车辆装载有不同厂商制造的采用不同相机数据格式的相机，则需要预先定义针对不同相机数据格式的多个模型，由此，在处理大量数据时，可能会由于数据格式之间的相互转换而造成数据处理速度方面的延缓。此外，在实践中，很有可能存在需要将预装的相机更换为具有不同输出格式的相机的情况(例如，原始安装的相机被损坏、用户具有对某个品牌的相机的偏好等)。在这种情况下，需要重新定义模型针对相机数据的模型。这对用户而言通常是不方便的，而且可能会在后续使用中产生程序问题。
本发明定义了一种离散统计模型，其能够同时支持连续模型和离散模型。连续模型被用于多项式格式的数据。例如，多项式格式的数据一般用多项式函数y＝c0+c1x+c2x2+c3x3+...+cnxn来描述对象(诸如车道线104)，并且相机采用连续模型{[c0,c1,c2,c3,...,cn],[start,end]}来输出多项式格式的数据，所输出的数据被认为具有连续数据输出格式。其中，“start”表示多项式等式所描述的曲线的起始点，“end”表示多项式等式所描绘的曲线的终止点。图2示出了相机采用连续模型所表示的对象201。
离散模型被用于离散格式的数据。例如，离散格式数据一般用多个离散点来描述对象(诸如车道线104)，并且相机采用离散模型{(x1,y1),(x2,y2),....,(xm,ym)}来输出离散格式的数据。所输出的数据被认为具有离散数据输出格式。图2示出了相机采用离散模型所表示的对象201’。
本发明的离散统计模型整合了上述连续模型和离散模型，其格式如下：{t,[c0,c1,c2,c3,...,cn],[start,end],[(x1,y1),(x2,y2),....,(xm,ym)]}，其表示在时刻t处相机输出的相机数据。其中，“[c0,c1,c2,c3,...,cn],[start,end]”为连续部分，“[(x1,y1),(x2,y2),....,(xm,ym)]”为离散部分，这两个部分中的数据描述相同的对象。
通过采用以上离散统计模型，仅用一个模型来支持两种不同格式的相机数据成为可能，从而使数据处理能够更加高效，并减轻了可能存在的编程压力。
实现方式
图3是用于标识对象的示例性方法300的流程图。例如，方法300可以在至少一个处理器(例如，图7的处理器704)内实现，该处理器可以位于车载计算机系统、远程服务器、或其组合中。当然，在本发明的各个方面，方法300还可以由能够执行相关操作的任何合适的装置来实现。
方法300开始于步骤310。在步骤310，在第一时刻(在下文描述中，将“第一时刻”理解为“实时地”)，获取装载在车辆上的相机在该第一时刻输出的第一数据。所输出的第一数据具有针对上述连续模型的连续数据格式或针对上述离散模型的离散数据格式中的一者。即，第一数据采用多项式来描述对象或采用离散点来描述对象。
在步骤320，将获取的第一数据馈送到离散统计模型以形成针对该第一时刻的离散统计模型格式数据。即，通过将时间信息(诸如时间戳，例如tFTI(第一时刻))以及第一数据馈送到离散统计模型{t,[c0,c1,c2,c3,...,cn],[start,end],[(x1,y1),(x2,y2),....,(xm,ym)]}以实例化该离散统计模型。
根据本发明的一个实施例，如果第一数据具有连续数据输出格式(即，{[c0,c1,c2,c3,...,cn],[start,end]}格式)，则通过将第一数据放入离散统计模型中的[c0,c1,c2,c3,…,cn],[start,end]部分来将第一数据作为离散统计模型格式数据的连续部分。接着，基于第一数据对应的多项式，计算第一数据所描述的曲线上的多个离散点。所计算的离散点的数量可以是任意的。本领域的技术人员可以理解，可以取决于车辆的处理器能力来选择计算的离散点的数量。当然，也可以根据其他准则来确定所计算的离散点的数量。接着，将计算后的离散点放入离散统计模型中的“[(x1,y1),(x2,y2),....,(xm,ym)]”部分，来作为离散统计模型格式数据的离散部分。
根据本发明的一个实施例，如果第一数据具有离散数据输出格式(即，{(x1,y1),(x2,y2),....,(xm,ym)}格式)，则通过将第一数据放入离散统计模型中的“[(x1,y1),(x2,y2),....,(xm,ym)]”部分来将第一数据作为离散统计模型格式数据的离散部分。接着，基于第一数据计算来计算与该第一数据相对应的多项式。本领域的技术人员应该理解，可以采用插值法或曲线拟合方式对离散点进行数学处理以得到一条由多项式表示的曲线。接着，将计算得到的多项式放入离散统计模型中的“[c0,c1,c2,c3,...,cn],[start,end]”部分，来作为离散统计模型格式数据的连续部分。
由此可见，在步骤320之后，离散统计模型格式数据的连续部分和离散部分包含用于描述同一对象的数据。
在步骤330，将针对第一时刻的离散统计模型格式数据与历史离散统计模型格式数据进行融合以更新针对第一时刻的离散统计模型格式数据。在实践中，某一单独时刻获取的实时传感器数据并不能十分准确地描绘对象。尤其，针对具有连续性的对象，诸如车道线等，需要多个连续时刻的传感器数据的融合来描述该车道线。
根据本发明的一个实施例，假设装载在车辆上的相机以某一时间间隔来输出相机数据。时间间隔可以根据需求而不同，诸如0.1秒、0.2秒、0.5秒、1秒等等。当然，其他时间间隔也在本发明的范围内。根据本发明的一个或多个实施例，历史离散统计模型格式数据可在第一时刻之前的数个连续时刻被形成，并被存储在车辆的存储器中或被高速缓存以便快速读取。如应该理解的，历史离散统计模型格式数据与针对第一时刻的离散统计模型格式数据具有相同的数据格式，并以与针对第一时刻的离散统计模型格式数据形成方式相同的方式在第一时刻之前的一个或多个时刻处形成。
根据本发明的一个实施例，在融合之后，经融合的离散统计模型格式数据的离散部分包括多个离散统计模型格式数据中所有离散部分的数据。例如，在融合期间，将针对第一时刻的经更新的离散统计模型格式数据的离散部分和历史离散统计模型格式数据中的所有离散部分进行聚集。由此，在融合之后，针对第一时刻的经更新的离散统计模型格式数据的离散部分包括针对第一时刻的初始离散统计模型格式数据的离散部分的数据以及历史离散统计模型格式数据中所有离散部分的数据。根据本发明的一个实施例，考虑到计算压力以及存储器能力，在融合期间，聚集后的离散数据中的重复数据或异常数据被去除或滤除。例如，在针对第一时刻的经更新的离散统计模型格式数据的离散部分中，重复的或异常的离散点可被去除。
根据本发明的一个实施例，基于经融合的离散统计模型格式数据的离散部分数据，计算与经融合的离散统计模型格式数据的离散部分数据相对应的曲线的连续数据输出格式数据，来作为经融合的离散统计模型格式数据的连续部分。例如，基于针对第一时刻的经更新(即，经融合)的离散统计模型格式数据的以上离散部分，将与针对第一时刻的经更新(即，经融合)的离散统计模型格式数据相对应的多项式来作为针对第一时刻的经更新(即，经融合)的离散统计模型格式数据的连续部分。
图4示出了根据本发明的一个或多个实施例的用于离散统计模型格式数据融合的示意图401和402。具体而言，图示401示出单次融合，而图示402示出迭代融合。
图示401是示出了将针对第一时刻的离散统计模型格式数据与包括针对第一时刻之前的阈值时间段内的多个先前时刻的多个离散统计模型格式数据的历史离散统计模型格式数据进行融合的示意图。即，将{tFTI,[c0,c1,c2,c3,...,cn],[start,end],[(x1,y1),(x2,y2),....,(xm,ym)]}与针对先前多个连续时刻的{tFTI-1,[c0,c1,c2,c3,...,cn],[start,end],[(x1,y1),(x2,y2),....,(xm,ym)]},{tFTI-2,[c0,c1,c2,c3,...,cn],[start,end],[(x1,y1),(x2,y2),....,(xm,ym)]}……{tFTI-n,[c0,c1,c2,c3,...,cn],[start,end],[(x1,y1),(x2,y2),....,(xm,ym)]}进行融合，以更新{tFTI,[c0,c1,c2,c3,...,cn],[start,end],[(x1,y1),(x2,y2),....,(xm,ym)]}。其中，“FTI”表示“第一时刻”。其中，相邻的两个时刻之间(例如，tFTI与tFTI-1之间)的时间间隔可如上所述的预定，并且tFTI-n到tFTI之间所经过的阈值时间段也可按需来进行选择。例如，在预定的时间间隔为0.1秒的情况下，该阈值时间段可选取为1秒，由此选择由第一时刻往前1秒内的10个(即，在这种情况下，n为10)历史通用统计模型格式数据来进行融合。在将{tFTI,[c0,c1,c2,c3,...,cn],[start,end],[(x1,y1),(x2,y2),....,(xm,ym)]}与多个先前的历史通用统计模型格式数据融合之后，{tFTI,[c0,c1,c2,c3,...,cn],[start,end],[(x1,y1),(x2,y2),....,(xm,ym)]}被更新为{tFTI,[c0,c1,c2,c3,...,cn]’,[start,end]’,[(x1,y1)’,(x2,y2)’,....,(xm,ym)’]}。由此，图示401的方式是将{tFTI,[c0,c1,c2,c3,...,cn],[start,end],[(x1,y1),(x2,y2),....,(xm,ym)]}与历史统计模型格式数据融合一次来更新{tFTI,[c0,c1,c2,c3,...,cn],[start,end],[(x1,y1),(x2,y2),....,(xm,ym)]}。
图示402是示出了将针对自第一时刻之前的阈值时间段内的多个先前时刻的多个统计模型格式数据迭代地进行融合的示意图。继续上述示例，假设阈值时间段为1秒，相邻两个时刻之间的预定时间间隔为0.1秒。针对自第一时刻之前的阈值时间段内的多个先前时刻，迭代地执行以下步骤直到针对第一时刻的离散统计模型格式数据被更新：将针对每一时刻的离散统计模型格式数据与针对预定时间间隔之后的后一时刻的离散统计模型格式数据进行融合，以更新针对该后一时刻的离散统计模型格式数据。
例如，首先，将{tFTI-n,[c0,c1,c2,c3,...,cn],[start,end],[(x1,y1),(x2,y2),....,(xm,ym)]}与{tFTI-n+1,[c0,c1,c2,c3,...,cn],[start,end],[(x1,y1),(x2,y2),....,(xm,ym)]}融合以获得更新后的{tFTI-n+1,[c0,c1,c2,c3,...,cn]’,[start,end]’,[(x1,y1),(x2,y2),....,(xm,ym)]’}。接着，将{tFTI-n+1,[c0,c1,c2,c3,...,cn]’,[start,end]’,[(x1,y1),(x2,y2),....,(xm,ym)]’}与{tFTI-n+2,[c0,c1,c2,c3,...,cn],[start,end],[(x1,y1),(x2,y2),....,(xm,ym)]}融合以获得更新后的{tFTI-n+2,[c0,c1,c2,c3,...,cn]’,[start,end]’,[(x1,y1),(x2,y2),....,(xm,ym)]’}。接着，将{tFTI-n+2,[c0,c1,c2,c3,...,cn]’,[start,end]’,[(x1,y1),(x2,y2),....,(xm,ym)]’}与{tFTI-n+3,[c0,c1,c2,c3,...,cn],[start,end],[(x1,y1),(x2,y2),....,(xm,ym)]}融合以获得更新后的{tFTI-n+3,[c0,c1,c2,c3,...,cn]’,[start,end]’,[(x1,y1),(x2,y2),....,(xm,ym)]’}。最终，将{tFTI-1,[c0,c1,c2,c3,...,cn]’,[start,end]’,[(x1,y1),(x2,y2),....,(xm,ym)]’}与{tFTI,[c0,c1,c2,c3,...,cn],[start,end],[(x1,y1),(x2,y2),....,(xm,ym)]}融合以获得更新后的{tFTI,[c0,c1,c2,c3,...,cn]’,[start,end]’,[(x1,y1),(x2,y2),....,(xm,ym)]’}。由此，此过程可被认为是“迭代融合”。
为了使得融合后的数据更为准确，可以在融合过程中采用以下数学方法。图5示出了根据图3的实施例用于将针对第一时刻的离散统计模型格式数据与历史离散统计模型格式数据进行融合的方法500的流程图。在步骤510，获得历史离散统计模型格式数据，该历史离散统计模型格式数据包括针对第一时刻之前的阈值时间段内的多个先前时刻的多个离散统计模型格式数据。
在步骤520，将针对第一时刻的离散统计模型格式数据与历史离散统计模型格式数据转换到同一个坐标系。例如，假设将车辆作为本地坐标系的原点，将车辆的行进方向作为本地坐标系的x轴，将与车辆的行进方向垂直的方向作为本地坐标系的y轴。则，随着车辆从tFTI-1到tFTI朝着行进方向行驶了距离L，可理解在tFTI处的本地坐标系的原点相较于tFTI-1处的本地坐标系的原点移动了(Lx,Ly)。通过坐标转换，所有历史离散统计模型格式数据被转换到tFTI处的本地坐标系中，由此用于融合的数据处于同一个坐标系中。
根据本发明的另一实施例，可以将历史离散统计模型格式数据所采用的以及针对第一时刻的离散统计模型格式数据所采用的各种类型的坐标系统一转换为世界坐标系，由此使得用于融合的数据均处于同一个坐标系中。各种坐标转换方法包括但不限于，二维空间中坐标的平移和旋转、三维空间中坐标的平移和旋转等等。
在步骤530，通过使用图4中示出的两种融合模式401和402中的任一种，对同一坐标系中的针对第一时刻的离散统计模型格式数据和历史离散统计模型格式数据进行融合，以更新针对第一时刻的离散统计模型格式数据。
在一个实施例中，还可以采用加权平均算法来进行融合。例如，在融合时，时间上越靠近第一时刻记录的历史离散统计模型格式数据被赋予较高的权重，而时间上越远离第一时刻记录的历史离散统计模型格式数据被赋予较低的权重。当然，其他加权的方式也可被构想。
返回图3，在步骤340，基于经更新的针对第一时刻的离散统计模型格式数据来标识对象。在一个实施例中，可采用数学算法来从经更新的针对第一时刻的离散统计模型格式数据中的具有离散数据输出格式的数据中标识表示的车道线曲线，该数学算法包括以下中的一者：回归算法、插值算法和拟合算法。
由此，通过使用本发明的方案，通过将不同种类的数据放入统一的数据模型中，能够更加快速地对数据集进行处理。通过使用既支持标记的连续模型又支持标记的离散模型的数据模型，车辆系统可以与这两种相机兼容。并且，历史信息被纳入了考量，使得对车道线的标识更加准确。
图6是根据本发明的一个实施例的用于标识对象的装置600的框图。装置600的所有功能块(包括在装置600中的各个单元)可通过硬件、软件、硬件和软件的组合来实现。本领域技术人员应当理解，图6中描述的功能块可被组合成单个功能块或者划分成多个子功能块。
装置600可包括数据获取模块610，该数据获取模块被配置成在第一时刻获取由车辆装载的相机输出的原始数据，所输出的原始数据具有针对连续模型的连续数据输出格式或针对离散模型的离散数据输出格式中的一者。装置600包括数据馈送模块620，数据馈送模块620被配置成将原始数据馈送到离散统计模型，以形成针对第一时刻的离散统计模型格式数据，该离散统计模型格式数据包括具有连续数据输出格式的连续部分和具有离散数据输出格式的离散部分。装置600包括数据融合模块630，数据融合模块630被配置成将针对第一时刻的离散统计模型格式数据与历史离散统计模型格式数据进行融合以更新针对第一时刻的离散统计模型格式数据。并且，装置600还包括对象标识模块640，对象标识模块640被配置为从经更新的针对第一时刻的离散统计模型格式数据中标识对象，其中对象包括由曲线表征的车道线。
参照图7，现在将描述计算设备700，计算设备700是可应用于本公开的各方面的硬件设备的示例。计算设备700可以是配置成执行处理和/或计算的任何机器，可以是但不限于工作站、服务器、桌面型计算机、膝上型计算机、平板计算机、个人数字助理、智能电话、车载计算机、或其任何组合。以上提及的系统可以全部或者至少部分地由计算设备700或类似设备或系统来实现。
计算设备700可以包括可能地经由一个或多个接口来与总线702连接或者与总线702处于通信的元件。例如，计算设备700可以包括总线702、以及一个或多个处理器704、一个或多个输入设备706和一个或多个输出设备708。该一个或多个处理器704可以是任何类型的处理器，并且可以包括但不限于一个或多个通用处理器和/或一个或多个专用处理器(诸如专门的处理芯片)。输入设备706可以是可将信息输入计算设备的任何类型的设备，并且可以包括但不限于鼠标、键盘、触摸屏、话筒、和/或遥控器。输出设备708可以是可呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。计算设备700还可以包括非瞬态存储设备710或者与非瞬态存储设备710相连接，该非瞬态存储设备710可以是为非瞬态的且可实现数据存储的任何存储设备，并且可以包括但不限于盘驱动器、光存储设备、固态存储、软盘、软磁盘、硬盘、磁带或任何其他磁性介质、光盘或任何其他光介质、ROM(只读存储器)、RAM(随机存取存储器)、高速缓存存储器和/或任何其他存储器芯片或存储器盒、和/或计算机可从其读取数据、指令和/或代码的任何其他介质。非瞬态存储设备710可以能与接口分开。非瞬态存储设备710可以具有用于实现上述方法和步骤的数据/指令/代码。计算设备700还可以包括通信设备712。通信设备712可以是能实现与外部装置和/或网络的通信的任何类型的设备或系统，并且可以包括但不限于调制解调器、网卡、红外通信设备、诸如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设施之类的无线通信设备和/或芯片组、等等。
当计算设备700被用作车载设备时，计算设备700还可以连接至外部设备，例如GPS接收机、用于感测不同环境数据的传感器(诸如加速度传感器、车轮速度传感器、陀螺仪)、等等。以此方式，计算设备700可以例如接收指示车辆的行驶情况的位置数据和传感器数据。当计算设备700被用作车载设备时，计算设备700还可以连接至用于控制车辆的行驶和操作的其他设施(诸如引擎系统、雨刮器、制动防抱死系统等)。
另外，非瞬态存储设备710可以具有地图信息和软件元素，以使得处理器704可以执行路线引导处理。另外，输出设备706可以包括用于显示地图、车辆的位置标记以及指示车辆的行驶情况的图像的显示器。输出设备706还可以包括具有用于音频引导的耳机的扬声器或接口。
总线702可以包括但不限于工业标准架构(ISA)总线、微通道架构(MCA)总线、增强型ISA(EISA)总线、视频电子标准协会(VESA)本地总线、以及外围组件互连(PCI)总线。具体地，对于车载设备，总线702可以包括控制器局域网(CAN)总线或者被设计成用于汽车上的应用的其他架构。
计算设备700还可以包括工作存储器714，工作存储器714可以是可存储对于处理器704的工作而言有用的指令和/或数据的任何类型的工作存储器，并且可以包括但不限于随机存取存储器和/或只读存储器设备。
软件元素可以位于工作存储器714中，包括但不限于操作系统716、一个或多个应用程序718、驱动程序和/或其他数据和代码。用于执行上述方法和步骤的指令可以包括在一个或多个应用程序718中，并且以上提及的装置800的各单元可以通过处理器704读取和执行一个或多个应用程序718的指令来实现。软件元素的指令的可执行代码或源代码可以被存储在非瞬态计算机可读存储介质(诸如上述存储设备710)中，并且可以可能地通过编译和/或安装而被读取到工作存储器714中。软件元素的指令的可执行代码或源代码也可以从远程位置下载。
从上面的实施例中，本领域技术人员可以清楚地知道，本公开可以由具有必要硬件的软件来实现，或者由硬件、固件等来实现。基于这样的理解，本公开的实施例可以部分地以软件形式来实施。可以将计算机软件存储在诸如计算机的软盘、硬盘、光盘或闪存之类的可读存储介质中。该计算机软件包括一系列指令，以使计算机(例如，个人计算机、服务站或网络终端)执行根据本公开的相应实施例的方法或其一部分。
在整个说明书中，已经对“一个示例”或“一示例”进行了参考，这意味着在至少一个示例中包括具体描述的特征、结构或特性。因此，此类短语的使用可能涉及不止一个示例。此外，所描述的特征、结构或特性可以在一个或多个示例中以任何合适的方式组合。
然而，相关领域的技术人员可以认识到，可以在没有一个或多个特定细节的情况下，或者在其他方法、资源、材料等的情况下实践这些示例。在其他实例中，没有详细示出或描述众所周知的结构、资源或操作以避免使这些示例的各方面模糊。
尽管已经解说和描述了诸样例和应用，但是应当理解，这些示例不限于上述精确的配置和资源。可以对本文公开的方法和系统的布置、操作和细节作出对于本领域技术人员而言显而易见的各种修改、改变和变化，而不会脱离所要求保护的示例的范围。

Claims (15)

1.一种用于标识对象的方法，包括：
在第一时刻，获取由车辆装载的相机输出的原始数据，所输出的原始数据具有针对连续模型的连续数据输出格式或针对离散模型的离散数据输出格式中的一者；
将所述原始数据馈送到离散统计模型以形成针对所述第一时刻的离散统计模型格式数据，所述离散统计模型格式数据包括具有所述连续数据输出格式的连续部分和具有所述离散数据输出格式的离散部分；
将针对所述第一时刻的离散统计模型格式数据与历史离散统计模型格式数据进行融合以更新针对所述第一时刻的离散统计模型格式数据；以及
从经更新的针对所述第一时刻的离散统计模型格式数据中标识对象，其中所述对象包括以曲线来表征的车道线。
2.如权利要求1所述的方法，其特征在于，所述连续模型采用多项式来描述曲线，所述离散模型采用多个离散点来描述曲线。
3.如权利要求1所述的方法，其特征在于，所述相机包括以下中的一者或多者：单目相机、双目立体视觉相机、全景视觉相机和红外相机。
4.如权利要求1所述的方法，其特征在于，将所述原始数据馈送到离散统计模型以形成针对所述第一时刻的离散统计模型格式数据进一步包括：
如果所述原始数据具有连续数据输出格式，则将所述原始数据作为所述离散统计模型格式数据的连续部分，并计算所述原始数据所描述的曲线上的多个离散点作为所述离散统计模型格式数据的离散部分；
如果所述原始数据具有离散数据输出格式，则基于所述原始数据来计算与所述原始数据相对应的曲线的连续数据输出格式数据作为所述离散统计模型格式数据的连续部分，并将所述原始数据作为所述离散统计模型格式数据的离散部分。
5.如权利要求1所述的方法，其特征在于，将针对所述第一时刻的离散统计模型格式数据与历史离散统计模型格式数据进行融合进一步包括：
将针对所述第一时刻的离散统计模型格式数据与包括针对所述第一时刻之前的阈值时间段内的多个先前时刻的多个离散统计模型格式数据的历史离散统计模型格式数据进行融合，使得经融合的离散统计模型格式数据的离散部分包括所述多个离散统计模型格式数据中的所有离散部分的数据，并基于经融合的离散统计模型格式数据的离散部分数据，计算与经融合的离散统计模型格式数据的离散部分数据相对应的曲线的连续数据输出格式数据，来作为经融合的离散统计模型格式数据的连续部分。
6.如权利要求1所述的方法，其特征在于，将针对所述第一时刻的离散统计模型格式数据与历史离散统计模型格式数据进行融合进一步包括：
对于针对所述第一时刻之前的阈值时间段内的多个先前时刻的多个离散统计模型格式数据，迭代地执行：
将针对每一时刻的离散统计模型格式数据与针对预定时间间隔之后的后一时刻的离散统计模型格式数据进行融合，以更新针对所述后一时刻的离散统计模型格式数据，直到更新了针对所述第一时刻的离散统计模型格式数据，使得经融合的离散统计模型格式数据的离散部分包括所述多个离散统计模型格式数据中的所有离散部分的数据，以及
基于经融合的离散统计模型格式数据的离散部分数据，计算与经融合的离散统计模型格式数据的离散部分数据相对应的曲线的连续数据输出格式数据，来作为经融合的离散统计模型格式数据的连续部分。
7.如权利要求5或6所述的方法，其特征在于，进一步包括在所述多个离散统计模型格式数据中的所有具有离散部分中去除重复数据。
8.如权利要求1所述的方法，其特征在于，所述融合进一步包括：将所述车辆在所述第一时刻处的位置作为本地坐标系的原点来将所述历史离散统计模型格式数据转换到所述本地坐标系中，使得所述历史离散统计模型格式数据和针对所述第一时刻的离散统计模型格式数据均由所述本地坐标系来表示。
9.如权利要求1所述的方法，其特征在于，所述融合进一步包括：将所述历史离散统计模型格式数据中采用的以及针对所述第一当前时刻的离散统计模型格式数据中采用的不同种类的坐标系转换为世界坐标系，使得所述历史离散统计模型格式数据和针对所述当前第一时刻的离散统计模型格式数据两者均由同一个坐标系来表示。
10.如权利要求1所述的方法，其特征在于，从经更新的针对所述第一时刻的离散统计模型格式数据中标识对象进一步包括：采用数学算法来从经更新的针对所述第一当前时刻的离散统计模型格式数据中的具有离散数据输出格式的数据中标识所述对象，所述数学算法包括以下中的一者：回归算法、插值算法和拟合算法。
11.一种用于标识对象的装置，包括：
数据获取模块，所述数据获取模块被配置成在第一时刻获取由车辆装载的相机输出的原始数据，所输出的原始数据具有针对连续模型的连续数据输出格式或针对离散模型的离散数据输出格式中的一者；
数据馈送模块，所述数据馈送模块被配置成将所述原始数据馈送到离散统计模型以形成针对所述第一时刻的离散统计模型格式数据，所述离散统计模型格式数据包括具有连续数据输出格式的连续部分和具有离散数据输出格式的离散部分；
数据融合模块，所述数据融合模块被配置成将针对所述第一时刻的离散统计模型格式数据与历史离散统计模型格式数据进行融合以更新针对所述第一时刻的离散统计模型格式数据；以及
对象标识模块，所述对象标识模块被配置成从经更新的针对所述第一时刻的离散统计模型格式数据中标识所述对象，其中所述对象包括以曲线来表征的车道线。
12.如权利要求11所述的装置，其特征在于，所述数据融合模块被进一步配置成：
如果所述原始数据具有连续数据输出格式，则将所述原始数据作为所述离散统计模型格式数据的连续部分，并计算所述原始数据所描述的曲线上的多个离散点作为所述离散统计模型格式数据的离散部分；
如果所述原始数据具有离散数据输出格式，则基于所述原始数据计算与所述原始数据相对应的曲线的连续数据输出格式数据来作为所述离散统计模型格式数据的连续部分，并将所述原始数据作为所述离散统计模型格式数据的离散部分。
13.如权利要求11所述的装置，其特征在于，所述数据融合模块被进一步配置成：
将针对所述第一时刻的离散统计模型格式数据与包括针对所述第一时刻之前的阈值时间段内的多个先前时刻的多个离散统计模型格式数据的历史离散统计模型格式数据进行融合，使得经融合的离散统计模型格式数据的离散部分包括所述多个离散统计模型格式数据中的所有离散部分的数据，并基于经融合的离散统计模型格式数据的离散部分数据，计算与经融合的离散统计模型格式数据的离散部分数据相对应的曲线的连续数据输出格式数据来作为经融合的离散统计模型格式数据的连续部分。
14.如权利要求11所述的装置，其特征在于，所述数据融合模块被进一步配置成：
对于针对所述第一时刻之前的阈值时间段内的多个先前时刻的多个离散统计模型格式数据，迭代地执行以下：
将针对每一时刻的离散统计模型格式数据与针对预定时间间隔之后的后一时刻的离散统计模型格式数据进行融合以更新针对所述后一时刻的离散统计模型格式数据，直到更新了针对所述第一时刻的离散统计模型格式数据，使得经融合的离散统计模型格式数据的离散部分包括所述多个离散统计模型格式数据中的所有离散部分的数据，以及
基于经融合的离散统计模型格式数据的离散部分数据，计算与经融合的离散统计模型格式数据的离散部分数据相对应的曲线的连续数据输出格式数据来作为经融合的离散统计模型格式数据的连续部分。
15.一种车辆，包括：
一个或多个相机，所述相机采用连续模型或离散模型中的一者来表示对象，其中所述对象包括以曲线来表征的车道线；以及
如权利要求11的装置。
CN201980097929.1A 2019-06-28 2019-06-28 用于标识对象的方法和系统 Pending CN114008682A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/093596 WO2020258222A1 (en) 2019-06-28 2019-06-28 Method and system for identifying object

Publications (1)

Publication Number Publication Date
CN114008682A true CN114008682A (zh) 2022-02-01

Family

ID=74060427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980097929.1A Pending CN114008682A (zh) 2019-06-28 2019-06-28 用于标识对象的方法和系统

Country Status (5)

Country Link
US (1) US12067790B2 (zh)
EP (1) EP3991086A4 (zh)
JP (1) JP7429246B2 (zh)
CN (1) CN114008682A (zh)
WO (1) WO2020258222A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114008682A (zh) * 2019-06-28 2022-02-01 宝马股份公司 用于标识对象的方法和系统
CN114447866B (zh) * 2022-03-09 2024-03-01 中英海底系统有限公司 布缆机轮组间的压力控制方法及其系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002056392A (ja) * 2000-05-11 2002-02-20 Toshiba Corp 物体領域情報記述方法、物体領域情報生成装置、及び物体領域情報記述プログラム
US20060034484A1 (en) * 2004-08-16 2006-02-16 Claus Bahlmann Method for traffic sign detection
CN107091648A (zh) * 2017-05-11 2017-08-25 江苏保千里视像科技集团股份有限公司 一种激光雷达与差分gps的数据融合方法及系统
CN107357943A (zh) * 2016-05-10 2017-11-17 中国移动通信集团湖北有限公司 数据模糊化方法及装置
US20180005051A1 (en) * 2016-07-04 2018-01-04 Denso Corporation Travel road shape recognition apparatus and travel road shape recognition method
CN107624155A (zh) * 2014-12-05 2018-01-23 苹果公司 自主导航系统
CN108596146A (zh) * 2018-05-09 2018-09-28 嘉兴学院 道路多目标分类方法
US20180367871A1 (en) * 2017-06-14 2018-12-20 GM Global Technology Operations LLC Apparatus, method and system for multi-mode fusion processing of data of multiple different formats sensed from heterogeneous devices
US20190135300A1 (en) * 2018-12-28 2019-05-09 Intel Corporation Methods and apparatus for unsupervised multimodal anomaly detection for autonomous vehicles

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3866595B2 (ja) 2002-03-15 2007-01-10 株式会社東芝 ハイブリッドモデル作成装置及びプログラム
US20170060810A1 (en) * 2012-12-13 2017-03-02 Eagle Harbor Holdings, LLC. System and method for the operation of an automotive vehicle system with modeled sensors
BE1021350B1 (nl) 2014-11-26 2015-11-05 ROMAEN Hans en RYCKAERT Peter p/a Acerio BVBA Werkwijze en systeem voor het tonen van een opeenvolging van beelden
US11644834B2 (en) * 2017-11-10 2023-05-09 Nvidia Corporation Systems and methods for safe and reliable autonomous vehicles
CN108573039B (zh) 2018-04-04 2022-03-11 烟台海颐软件股份有限公司 一种基于多源时空数据组配的目标辨识方法与系统
CN114008682A (zh) * 2019-06-28 2022-02-01 宝马股份公司 用于标识对象的方法和系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002056392A (ja) * 2000-05-11 2002-02-20 Toshiba Corp 物体領域情報記述方法、物体領域情報生成装置、及び物体領域情報記述プログラム
US20060034484A1 (en) * 2004-08-16 2006-02-16 Claus Bahlmann Method for traffic sign detection
CN107624155A (zh) * 2014-12-05 2018-01-23 苹果公司 自主导航系统
CN107357943A (zh) * 2016-05-10 2017-11-17 中国移动通信集团湖北有限公司 数据模糊化方法及装置
US20180005051A1 (en) * 2016-07-04 2018-01-04 Denso Corporation Travel road shape recognition apparatus and travel road shape recognition method
CN107091648A (zh) * 2017-05-11 2017-08-25 江苏保千里视像科技集团股份有限公司 一种激光雷达与差分gps的数据融合方法及系统
US20180367871A1 (en) * 2017-06-14 2018-12-20 GM Global Technology Operations LLC Apparatus, method and system for multi-mode fusion processing of data of multiple different formats sensed from heterogeneous devices
CN108596146A (zh) * 2018-05-09 2018-09-28 嘉兴学院 道路多目标分类方法
US20190135300A1 (en) * 2018-12-28 2019-05-09 Intel Corporation Methods and apparatus for unsupervised multimodal anomaly detection for autonomous vehicles

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
AHMED MAHMOUD， LOAY EHAB，MOHAMED REDA ，MOSTAFA ABDELALEEM: "Real-Time Lane Detection-Based Line Segment Detection", IEEE, 13 December 2018 (2018-12-13), pages 57 - 61 *
MARK BEDWORTH AND JANE O’BRIEN: "The Omnibus Model: A New Model of Data Fusion?", IEEE AEROSPACE AND ELECTRONIC SYSTEMS MAGAZINE, vol. 15, no. 4, 30 April 2000 (2000-04-30), pages 30 - 36, XP011090191 *
李凤;高昭良;: "面向土地利用分类的多源遥感数据混合贝叶斯网络分类器", 国土资源遥感, no. 02, 15 June 2011 (2011-06-15) *
金华曙: "基于多源数据拟合的巡检AGV机构优化设计", CNKI优秀硕士学位论文全文库, 15 December 2018 (2018-12-15), pages 1 - 61 *

Also Published As

Publication number Publication date
JP7429246B2 (ja) 2024-02-07
JP2022544348A (ja) 2022-10-18
EP3991086A1 (en) 2022-05-04
WO2020258222A1 (en) 2020-12-30
US20220254140A1 (en) 2022-08-11
KR20220034798A (ko) 2022-03-18
US12067790B2 (en) 2024-08-20
EP3991086A4 (en) 2023-03-01

Similar Documents

Publication Publication Date Title
CN111527013B (zh) 车辆变道预测
EP3032221A1 (en) Method and system for improving accuracy of digital map data utilized by a vehicle
US20180137628A1 (en) Image data extraction apparatus and image data extraction method
CN107923756A (zh) 用于定位自动化的机动车的方法
CN111243332A (zh) 信息提供系统和方法、服务器、车载装置以及存储介质
CN113155143B (zh) 用于评估自动驾驶用的地图的方法、设备和车辆
CN113950612A (zh) 用于2d路径规划器的道路模型流形
CN111319560A (zh) 信息处理系统、程序和信息处理方法
US12067790B2 (en) Method and system for identifying object
WO2022024602A1 (ja) 情報処理装置、情報処理方法及びプログラム
CN110770540B (zh) 用于构建环境模型的方法和装置
CN112099481A (zh) 用于构建道路模型的方法和系统
KR102720473B1 (ko) 객체를 식별하는 방법 및 시스템
CN114127658B (zh) 使用道路模型2d流形的6d空间中的3d里程
CN111060114A (zh) 用于生成高精度地图的特征图的方法和装置
CN118062016B (zh) 车辆环境感知方法、设备和存储介质
US20240223915A1 (en) Systems and methods for downsampling images
WO2020073270A1 (en) Snapshot image of traffic scenario
US11256927B2 (en) Information provision device, vehicle, driving assistance system, map generation device, driving assistance device, and driving assistance method
WO2020073271A1 (en) Snapshot image of traffic scenario
WO2020073268A1 (en) Snapshot image to train roadmodel
CN112101392A (zh) 用于标识对象的方法和系统
US20240295413A1 (en) Navigation system with semantic map probability mechanism and method of operation thereof
CN112805716A (zh) 用于训练事件检测器的快照图像
CN114973742A (zh) 验证车辆的定位信息的方法、系统和设备

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