CN114049615A - 行驶环境中交通对象融合关联方法、装置及边缘计算设备 - Google Patents

行驶环境中交通对象融合关联方法、装置及边缘计算设备 Download PDF

Info

Publication number
CN114049615A
CN114049615A CN202111337132.XA CN202111337132A CN114049615A CN 114049615 A CN114049615 A CN 114049615A CN 202111337132 A CN202111337132 A CN 202111337132A CN 114049615 A CN114049615 A CN 114049615A
Authority
CN
China
Prior art keywords
lane
information
traffic object
determining
association
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
Application number
CN202111337132.XA
Other languages
English (en)
Other versions
CN114049615B (zh
Inventor
曹获
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.)
Apollo Intelligent Connectivity Beijing Technology Co Ltd
Original Assignee
Apollo Intelligent Connectivity Beijing Technology Co Ltd
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 Apollo Intelligent Connectivity Beijing Technology Co Ltd filed Critical Apollo Intelligent Connectivity Beijing Technology Co Ltd
Priority to CN202111337132.XA priority Critical patent/CN114049615B/zh
Publication of CN114049615A publication Critical patent/CN114049615A/zh
Priority to US17/979,273 priority patent/US20230049992A1/en
Priority to KR1020220147534A priority patent/KR20220156489A/ko
Priority to JP2022179785A priority patent/JP2023011912A/ja
Priority to EP22206921.3A priority patent/EP4134843A3/en
Application granted granted Critical
Publication of CN114049615B publication Critical patent/CN114049615B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G01S17/894—3D imaging with simultaneous measurement of time-of-flight at a 2D array of receiver pixels, e.g. time-of-flight cameras or flash lidar
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/16—Image acquisition using multiple overlapping images; Image stitching
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/96—Management of image or video recognition tasks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/48—Matching video sequences
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • 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
    • 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
    • B60W2420/408—Radar; Laser, e.g. lidar
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Probability & Statistics with Applications (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供了一种行驶环境中交通对象融合关联方法、装置及边缘计算设备，涉及智能交通技术、自动驾驶技术，包括：获取第一环境信息和第二环境信息；第一环境信息和第二环境信息是通过不同的传感器采集的；根据第一环境信息确定第一环境信息中的第一交通对象所在的第一车道信息，根据第二环境信息确定第二环境信息中的第二交通对象所在的第二车道信息；根据第一环境信息中的第一交通对象的信息、第二环境信息中的第二交通对象的信息、第一车道信息以及第二车道信息，确定第一交通对象与第二交通对象是否存在关联关系。本公开提供的方案可以结合交通对象所在的车道的信息，确定交通对象是否具有关联关系，进而能够提高交通对象的融合关联准确度。

Description

行驶环境中交通对象融合关联方法、装置及边缘计算设备
技术领域
本公开涉及计算机技术中的智能交通技术、自动驾驶技术，尤其涉及一种行驶环境中交通对象融合关联方法、装置及边缘计算设备。
背景技术
随着社会经济的飞速发展，机动车辆数目及类型也在激增，在采集道路环境时，需要对获取到的不同来源的对象信息进行关联和融合。
在对不同来源的对象进行关联时，通常计算目标对象和待关联对象之间的横向和纵向欧式距离或者马氏距离，当目标对象和待关联对象之间的横向和纵向欧式距离或者马氏距离满足预设条件时，则将目标对象和待关联对象进行关联。
但是，不同传感器采集道路环境时的采集角度不同，获取车辆信息的视角也就不同，由于存在视角差异，仅根据对象之间的距离确定对象是否关联，容易出现误关联的情况。
发明内容
本公开提供了一种行驶环境中交通对象融合关联方法、装置及边缘计算设备，从而解决现有技术中容易出现对象误关联的问题。
根据本公开的第一方面，提供了一种行驶环境中交通对象的融合关联方法，包括：
获取第一环境信息和第二环境信息；所述第一环境信息和所述第二环境信息是通过不同的传感器采集的；
根据所述第一环境信息确定所述第一环境信息中的第一交通对象所在的第一车道信息，根据所述第二环境信息确定所述第二环境信息中的第二交通对象所在的第二车道信息；
根据所述第一环境信息中的第一交通对象的信息、所述第二环境信息中的第二交通对象的信息、所述第一车道信息以及所述第二车道信息，确定所述第一交通对象与所述第二交通对象是否存在关联关系；存在关联关系的第一交通对象和第二交通对象为同一交通对象。
根据本公开的第二方面，提供了一种行驶环境中交通对象的融合关联装置，包括：
获取单元，用于获取第一环境信息和第二环境信息；所述第一环境信息和所述第二环境信息是通过不同的传感器采集的；
车道确定单元，用于根据所述第一环境信息确定所述第一环境信息中的第一交通对象所在的第一车道信息，根据所述第二环境信息确定所述第二环境信息中的第二交通对象所在的第二车道信息；
关联单元，用于根据所述第一环境信息中的第一交通对象的信息、所述第二环境信息中的第二交通对象的信息、所述第一车道信息以及所述第二车道信息，确定所述第一交通对象与所述第二交通对象是否存在关联关系；存在关联关系的第一交通对象和第二交通对象为同一交通对象。
根据本公开的第三方面，提供了一种电子设备，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如第一方面所述的方法。
根据本公开的第四方面，提供了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如第一方面所述的方法。
根据本公开的第五方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
根据本公开的第五方面，提供了一种边缘计算设备，包括如第三方面所述的电子设备。
本公开提供的行驶环境中交通对象融合关联方法、装置及边缘计算设备，可以结合交通对象所在的车道的信息，确定交通对象是否具有关联关系，进而能够提高交通对象的关联准确度。
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为一示例性实施例示出的道路环境图；
图2为本公开一示例性实施例示出的行驶环境中交通对象的融合关联方法的流程示意图；
图3为本公开另一示例性实施例示出的行驶环境中交通对象的融合关联方法的流程图；
图4为本公开第一示例性实施例示出的道路场景图；
图5为本公开第二示例性实施例示出的道路场景图；
图6为本公开又一示例性实施例示出的行驶环境中交通对象的融合关联方法的流程图；
图7为本公开一示例性实施例示出的行驶环境中交通对象的融合关联装置的结构示意图；
图8为本公开另一示例性实施例示出的行驶环境中交通对象的融合关联装置的结构示意图；
图9是用来实现本公开实施例的方法的电子设备的框图。
具体实施方式
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。
图1为一示例性实施例示出的道路环境图。
如图1所示，在一个路口内行驶有多个车辆，在路口可以设置路侧设备和传感器，用于识别路口的路况。
比如，在路口设置有传感器11、传感器12、传感器13、传感器14，通过这四个传感器可以从不同方向采集路口的环境信息。各个传感器可以将采集的环境信息发送给路侧设备15，路侧设备15可以对接收的各个环境信息进行融合，从而得到路口的路况。
其中，路侧设备对各环境信息进行融合时，需要对各环境信息中的交通对象进行关联。比如，在第一个环境信息中包括车辆A，在第二个环境信息中包括车辆B，路侧设备需要根据车辆A的信息、车辆B的信息，确定车辆A与车辆B是否为同一车辆，若是同一车辆，则路侧设备可以关联这两个车辆。
现有技术中，路侧设备在关联不同环境信息中的交通对象时，通常计算目标对象和待关联对象之间的横向和纵向欧式距离或者马氏距离，当目标对象和待关联对象之间的横向和纵向欧式距离或者马氏距离满足预设条件时，则将目标对象和待关联对象进行关联。
但是道路环境较为复杂，交通对象可能存在比较接近的情况，或者从某个角度采集环境信息时，交通对象可能存在遮挡的情况，因此对不同的传感器采集的环境信息中的交通对象进行关联时，仅通过欧氏距离或者马氏距离关联交通对象，容易出现误关联的情况。
本公开提供的方案中，还确定各个交通对象所在的车道，进而在关联时加入交通对象所属车道这一信息，从而更准确的关联交通对象。
图2为本公开一示例性实施例示出的行驶环境中交通对象的融合关联方法的流程示意图。
如图2所示，本公开提供的行驶环境中交通对象的融合关联方法，包括：
步骤201，获取第一环境信息和第二环境信息；第一环境信息和第二环境信息是通过不同的传感器采集的。
其中，本公开提供的方法可以是具备计算能力的电子设备执行，该电子设备例如可以是路侧设备，也可以是车载设备。比如，在路边设置的传感器可以采集道路的环境信息，传感器可以将环境信息发送给路侧设备，路侧设备可以根据各传感器发送的环境信息进行对象关联，进而还原出道路完整的路况。传感器还可以将采集的环境信息发送给附近的车辆，使得车辆的车载设备能够根据各传感器发送的环境信息进行对象关联，进而还原出道路完整的路况。
具体的，若设置有多个用于采集环境信息的传感器，则每个传感器都可以向电子设备发送环境信息，电子设备可以根据任意两个环境信息关联交通对象。
进一步的，电子设备可以获取第一环境信息、第二环境信息，比如，第一传感器和第二传感器可以分别向电子设备发送第一环境信息和第二环境信息。
由于第一环境信息和第二环境信息是通过不同的传感器采集的，不同的传感器的设置位置不同，因此，不同传感器采集环境信息的角度也不同，需要在各环境信息中确定出实际是同一个对象的交通对象，比如，第一环境信息中包括一辆车，第二环境信息中也包括一辆车，可以确定出这两辆车是否实际为一辆车，若这两个车辆实际上采集的是同一辆车的信息，则可以关联这两辆车。
步骤202，根据第一环境信息确定第一环境信息中的第一交通对象所在的第一车道信息，根据第二环境信息确定第二环境信息中的第二交通对象所在的第二车道信息。
实际应用时，第一环境信息中包括第一交通对象，该第一交通对象例如可以是车辆。电子设备可以根据第一环境信息确定第一交通对象所在的第一车道信息，比如第一交通对象位于车道L1上。
一种可选的实施方式中，电子设备中可以设置高精地图，电子设备可以在第一环境信息中识别出第一交通对象，并确定第一交通对象所在的第一车道信息。
比如，若第一环境信息是摄像头采集的图像，则电子设备可以通过图像识别的方式在该图像中识别出车辆，并根据高精地图确定该车辆所在的第一车道的信息。若第二环境信息是雷达采集的点云数据，则电子设备可以对点云进行处理，识别道路中存在的车辆，并根据高精地图确定该车辆所在的第二车道信息。
步骤203，根据第一环境信息中的第一交通对象的信息、第二环境信息中的第二交通对象的信息、第一车道信息以及第二车道信息，确定第一交通对象与第二交通对象是否存在关联关系；存在关联关系的第一交通对象和第二交通对象为同一交通对象。
其中，可以在第一环境信息中确定第一交通对象的信息，比如可以确定第一交通对象的位置，例如第一交通对象多个关键点的位置。可以根据相同的方式在第二环境信息中确定出第二交通对象的信息。
具体的，可以结合第一交通对象的信息、第二环境信息中的第二交通对象的信息、第一车道信息以及第二车道信息确定第一交通对象与第二交通对象是否关联。通过第一车道信息和第二车道信息，能够提高交通对象关联的准确性。
进一步的，可以根据第一交通对象的信息和第二交通对象的信息确定第一交通对象与第二交通对象的相似度概率。例如，可以根据欧氏距离或者马氏距离确定第一交通对象与第二交通对象的相似度概率。
实际应用时，可以结合第一交通对象所在的第一车道信息，以及第二交通对象所在的第二车道信息确定第一交通对象与第二交通对象是否存在关联关系。比如，可以利用第一车道信息、第二车道信息修正相似度概率，得到关联概率，进而根据关联概率确定第一交通对象和第二交通对象是否存在关联关系。比如，若第一交通对象与第二交通对象位于同一条车道，则可以提高相似概率的值得到关联概率，若第一交通对象与第二交通对象位于不同车道，则可以降低相似概率的值得到关联概率。
由于根据欧氏距离或者马氏距离的方式确定交通对象之间是否存在关联关系时，容易存在误关联的情况。因此可以结合交通对象所在的车道信息，能够提高交通对象的融合关联准确度。
其中，若确定两个交通对象存在关联关系，则可以认为这两个交通对象是同一交通对象，通过这种方式，能够根据多个传感器从多个角度采集的道路环境信息，还原出完整的道路环境。具体可以关联各个环境信息中的交通对象，根据关联结果还原出道路环境。
本公开提供的行驶环境中交通对象的融合关联方法，包括：获取第一环境信息和第二环境信息；第一环境信息和第二环境信息是通过不同的传感器采集的；根据第一环境信息确定第一环境信息中的第一交通对象所在的第一车道信息，根据第二环境信息确定第二环境信息中的第二交通对象所在的第二车道信息；根据第一环境信息中的第一交通对象的信息、第二环境信息中的第二交通对象的信息、第一车道信息以及第二车道信息，确定第一交通对象与第二交通对象是否存在关联关系；存在关联关系的第一交通对象和第二交通对象为同一交通对象。本公开提供的方案中，可以结合交通对象所在的车道的信息，确定交通对象是否具有关联关系，进而能够提高交通对象的融合关联准确度。
图3为本公开另一示例性实施例示出的行驶环境中交通对象的融合关联方法的流程图。
如图3所示，本公开提供的行驶环境中交通对象的融合关联方法，包括：
步骤301，获取第一环境信息和第二环境信息；第一环境信息和第二环境信息是通过不同的传感器采集的。
步骤301与步骤201的实现方式类似，不再赘述。
步骤302，根据预设的高精地图和第一环境信息，确定第一环境信息中的第一交通对象在高精地图中的第一映射位置，根据第一映射位置确定第一交通对象所在的第一车道信息。
其中，在电子设备中可以设置高精地图，高精地图中包括精确的道路信息，能够精确到车道级别。
具体的，电子设备可以在第一环境信息中识别出第一交通对象，比如，可以在第一环境信息中识别出车辆。再在高精地图中确定该第一交通对象的第一映射位置。
进一步的，可以根据第一环境信息中包括的道路环境、固定物等在预设的高精地图中确定与第一环境信息对应的地图区域。比如，可以根据高精地图确定第一环境信息是路口A的信息，则可以将第一环境信息映射到高精地图中，从而可以根据第一交通对象在第一环境信息中的位置，确定出第一交通对象在高精地图的第一映射位置。
实际应用时，确定出第一交通对象在高精地图中的第一映射位置后，可以根据该第一映射位置所属的车道，得到第一交通对象所在的第一车道信息。
步骤303，根据高精地图和第二环境信息，确定第二环境信息中的第二交通对象在高精地图中的第二映射位置，根据第二映射位置确定第二交通对象所在的第二车道信息。
步骤303的具体实现方式与步骤302类似，不再赘述。
通过这种方式，可以结合高精地图确定出交通对象所在的车道的信息，从而得到交通对象所在的车道准确的信息。进而可以结合交通对象自身的信息以及交通对象所在车道的信息，确定交通对象之间是否关联，以提高交通对象的融合关联准确性。
步骤304，根据第一交通对象的信息和第二交通对象的信息，确定第一交通对象与第二交通对象之间的相似概率。
其中，电子设备可以根据第一交通对象的信息和第二交通对象的信息确定第一交通对象和第二交通对象的相似概率。比如，可以根据现有技术的方案，确定第一交通对象和第二交通对象间的相似概率。
具体的，电子设备可以确定第一交通对象和第二交通对象之间的欧氏距离或者马氏距离，确定第一交通对象和第二交通对象之间的相似概率。该相似概率用于表征第一交通对象与第二交通对象为同一交通对象的概率。
进一步的，这种方式确定的相似概率是根据第一交通对象和第二交通对象自身的信息确定的。
实际应用时，根据第一交通对象的信息和第二交通对象的信息，确定第一交通对象和第二交通对象之间的距离，并根据距离确定第一交通对象与第二交通对象之间的相似概率。若第一交通对象与第二交通对象之间的距离较近，则可以确定出较高的相似概率，若第一交通对象与第二交通对象之间的距离较远，则可以确定出较低的相似概率。
其中，通过数据关联算法对时空同步目标物信息进行数据关联处理时，可以采用马氏距离来衡量第一交通对象与第二交通对象之间的偏差，具体通过衡量两个状态向量分布的相似度确定二者偏差。
这种实施方式中，通过计算第一交通对象与第二交通对象之间的距离得到两个交通对象的相似概率，能够得到较为准确的相似概率。
步骤305，根据第一车道信息和第二车道信息确定第一交通对象与第二交通对象之间的车道关联概率；车道关联概率用于表征第一交通对象与第二交通对象位于同一车道的概率。
实际应用时，可以根据第一车道信息、第二车道信息确定第一交通对象和第二交通对象所在车道之间的关系，比如为同一车道，或者同向车道，或者其他情况等。
其中，预先设置有车道间关系与车道关联概率间的对应关系。比如，若第一车道和第二车道为相同车道，则车道关联概率为1，若第一车道和第二车道是反向车道，则车道关联概率为0。
具体的，车道关联概率用于表征第一交通对象与第二交通对象位于同一车道的概率。若第一交通对象和第二交通对象位于同一车道，则这两个交通对象是同一交通对象的概率较大，若第一交通对象和第二交通对象位于反向车道，则这两个交通对象是同一交通对象的概率较小。
进一步的，若第一车道信息与第二车道信息表征第一车道和第二车道为同一车道，则确定车道关联概率为第一预设值；若第一车道信息与第二车道信息表征第一车道和第二车道为相邻的同向车道，则确定车道关联概率为第二预设值；否则，确定车道关联概率为第三预设值；其中，第一预设值大于第二预设值，第二预设值大于第三预设值。
实际应用时，若第一车道与第二车道是同一车道，则说明第一交通对象与第二交通对象位于同一车道，那么第一交通对象与第二交通对象是同一交通对象的概率较大，若第一车道与第二车道为相邻的同向车道，则说明第一交通对象与第二交通对象是同一交通对象的概率较大，否则，说明第一交通对象与第二交通对象是同一交通对象的概率较小。
一种可选的实施方式中，第一预设值可以是1，第二预设值可以是0.5，第三预设值可以是0。可以根据需求设置这三个预设值。
这种实施方式中，可以根据各交通对象所在的车道，确定各交通对象的车道关联概率，进而可以使用车道关联概率修正各交通对象之间的相似概率，从而更准确的关联各交通对象。
图4为本公开第一示例性实施例示出的道路场景图。
如图4所示，在道路中存在车辆41，例如通过传感器42采集的环境信息中包括第一车辆的信息，该第一车辆的信息是车辆41的信息，通过传感器43采集的环境信息中包括第二车辆的信息，该第二车辆的信息也是车辆41的信息。可以确定出第一车辆与第二车辆所在的车道相同，因此，可以将第一车辆与第二车辆之间的车道关联概率为第一预设值，比如，可以设置为1。
图5为本公开第二示例性实施例示出的道路场景图。
如图5所示，在道路中存在车辆51、52。例如通过传感器53采集的环境信息中包括第一车辆的信息，该第一车辆的信息是车辆51的信息，通过传感器54采集的环境信息中包括第二车辆的信息，该第二车辆的信息是车辆52的信息。由于第一车辆与第二车辆所在的车道不相同且通行方向相反，因此，可以将第一车辆与第二车辆之间的车道关联概率为第三预设值，比如，可以设置为0。
通过上述图示可知，基于本公开提供的方案，若不同环境信息中的交通对象所在车道不同，则可以设置一个较低的车道关联概率，进而基于该车道关联概率对交通对象的相似概率进行修正，能够得到较低的关联概率，以免误关联这两个交通对象。
步骤306，根据相似概率和车道关联概率，确定第一交通对象与第二交通对象是否存在关联关系。
进一步的，电子设备可以结合相似概率和车道关联概率确定第一交通对象和第二交通对象是否具有关联关系。具体可以使用车道关联概率修正相似概率，得到第一交通对象和第二交通对象之间的关联概率，若关联概率满足一定的条件，则可以确定第一交通对象与第二交通对象之间具有关联关系。
这种实施方式中，车道关联概率能够体现两个交通对象是同一交通对象的概率，进而可以利用车道关联概率修正交通对象之间的相似概率，从而提高交通对象之间的关联结果的准确性。
实际应用时，可以将相似概率和车道关联概率的乘积确定为第一交通对象与第二交通对象之间的关联概率。还可以将相似概率和车道关联概率的和确定为第一交通对象与第二交通对象之间的关联概率。还可以利用预设的第一权值确定相似概率的相似概率加权值，利用预设的第二权值确定车道关联概率的车道关联概率加权值，将相似概率加权值与车道关联概率加权值的和，确定为第一交通对象与第二交通对象之间的关联概率。
其中，若确定的关联概率大于概率阈值，则确定第一交通对象与第二交通对象之间具备关联关系。比如，可以根据需求设置概率阈值。电子设备可以利用交通对象之间的车道关联概率对相似概率进行修正，得到关联概率，进而可以在关联概率大于概率阈值时，确定交通对象之间存在关联关系。
这种实施方式中，电子设备可以结合交通对象所在的车道关联各个交通对象，从而提高交通对象关联结果的准确性。
图6为本公开又一示例性实施例示出的行驶环境中交通对象的融合关联方法的流程图。
如图6所示，本公开提供的行驶环境中交通对象的融合关联方法，包括：
步骤601，获取第一环境信息和第二环境信息；第一环境信息和第二环境信息是通过不同的传感器采集的。
步骤602，根据第一环境信息确定第一环境信息中的第一交通对象所在的第一车道信息，根据第二环境信息确定第二环境信息中的第二交通对象所在的第二车道信息。
步骤601、602的具体实现方式与图2、图3所示实施例中相关内容相似，不再赘述。
步骤603，获取第一历史环境信息，其中，第一历史环境信息与第一环境信息是通过同一个传感器采集的，第一历史环境信息的采集时间比第一环境信息的采集时间早预设时段。
步骤604，获取第二历史环境信息，其中，第二历史环境信息与第二环境信息是通过同一个传感器采集的，第二历史环境信息的采集时间比第二环境信息的采集时间早预设时段。
其中，电子设备还可以获取第一历史环境信息，该第一历史环境信息与第一环境信息是通过同一传感器采集的。比如，第一环境信息与第一历史环境信息是同一个雷达传感器采集的。
具体的，电子设备还可以获取第二历史环境信息，该第二历史环境信息与第二环境信息是通过同二传感器采集的。比如，第二环境信息与第二历史环境信息是同一个雷达传感器采集的。
进一步的，第一历史环境信息的采集时间比第一环境信息的采集时间早预设时段，第二历史环境信息的采集时间比第二环境信息的采集时间早预设时段。比如，第一历史环境信息是第一传感器采集的一帧数据，第一环境信息是该第一传感器采集的下一帧数据。第二历史环境信息与第二环境信息与之类似，不再赘述。
实际应用时，上述预设时段可以根据需求设置，比如历史环境信息与环境信息之间可以相隔数帧，也可以是相邻帧。
获取的历史环境信息还可以是多帧数据，比如，可以是在环境信息前预设时段内采集的多帧数据。例如，可以获取第一环境信息之前采集的n帧第一历史环境信息，还可以获取第二环境信息之前采集的n帧第二历史环境信息。
步骤605，根据第一历史环境信息确定第一交通对象所在的第一历史车道信息，根据第二历史环境信息确定第二交通对象所在的第二历史车道信息。
其中，电子设备可以根据第一历史环境信息确定第一交通对象曾经所在的车道，比如，可以确定采集第一环境信息之前预设时间段内该第一交通对象曾经所在的第一历史车道信息。
具体的，电子设备可以根据第二历史环境信息确定第二交通对象曾经所在的车道，比如，可以确定采集第二环境信息之前预设时间段内该第二交通对象曾经所在的第二历史车道信息。
进一步的，采集的历史车道信息可以与时间信息关联，或者与历史环境信息的帧标识关联，进而可以根据时间或者帧标识确定出具有对应关系的第一历史车道信息和第二历史车道信息，从而可以对第一历史车道和第二历史车道进行比对。
步骤606，根据第一环境信息中的第一交通对象的信息、第二环境信息中的第二交通对象的信息、第一车道信息、第二车道信息、第一历史车道信息以及第二历史车道信息，确定第一交通对象与第二交通对象是否存在关联关系；存在关联关系的第一交通对象和第二交通对象为同一交通对象。
进一步的，电子设备在关联交通对象时，可以结合第一交通对象的信息、第二环境信息中的第二交通对象的信息、第一车道信息、第二车道信息、第一历史车道信息以及第二历史车道信息，关联第一交通对象与第二交通对象。
实际应用时，可以根据第一车道信息、第二车道信息确定第一交通对象和第二交通对象所在车道之间的关系，比如为同一车道，或者同向车道，或者其他情况等。还可以根据第一历史车道信息、第二历史车道信息确定第一交通对象和第二交通对象所在历史车道之间的关系。
这种实施方式中，结合交通对象的历史交通信息确定交通对象是否关联，能够更加准确的关联交通对象，进而减小误关联的概率。
具体可以根据第一交通对象信息和第二交通对象信息，确定第一交通对象与第二交通对象之间的相似概率。确定相似概率的方式与步骤304的实现方式类似，不再赘述。
进一步的，可以根据第一车道信息、第二车道信息、第一历史车道信息以及第二历史车道信息确定第一交通对象与第二交通对象之间的车道关联概率。
实际应用时，预先第设置有车道间关系与车道关联概率间的对应关系。比如，若第一车道和第二车道为相同车道，且第一历史车道和第二历史车道也为相同的车道，则车道关联概率为1。
具体的，车道关联概率用于表征第一交通对象与第二交通对象位于同一车道的概率。若第一交通对象和第二交通对象在多个时刻都位于同一车道，则这两个交通对象是同一交通对象的概率较大，若第一交通对象和第二交通对象所在的车道存在不同的情况，则这两个交通对象是同一交通对象的概率较小。
进一步的，若第一历史车道信息与第二历史车道信息表征第一车道和第二车道为为同一车道，且第一车道信息与第二车道信息表征第一车道和第二车道为同一车道，则确定车道关联概率为第四预设值；若第一历史车道信息与第二历史车道信息表征第一车道和第二车道为同一车道，且第一车道信息与第二车道信息表征第一车道和第二车道为不同车道，或者第一历史车道信息与第二历史车道信息表征第一车道和第二车道为不同车道，且第一车道信息与第二车道信息表征第一车道和第二车道为相同车道，则确定车道关联概率为第五预设值；否则，确定车道关联概率为第六预设值；其中，第四预设值大于第五预设值，第五预设值大于第六预设值。
实际应用时，若第一交通对象与第二交通对象一直在同一车道上，则说明这两个交通对象是同一交通对象的概率较大，若第一交通对象与第二交通对象曾经在同一车道，则说明第一交通对象与第二交通对象是同一交通对象的概率较大，否则，说明第一交通对象与第二交通对象是同一交通对象的概率较小。
一种可选的实施方式中，第四预设值可以是1，第五预设值可以是0.5，第六预设值可以是0。可以根据需求设置这三个预设值。
这种实施方式中，可以根据各交通对象所在的车道以及曾经所在的车道，确定各交通对象的车道关联概率，进而可以使用车道关联概率修正各交通对象之间的相似概率，从而更准确的关联各交通对象。
根据第一交通对象与第二交通对象之间的相似概率和车道关联概率，确定第一交通对象与第二交通对象是否存在关联关系。具体的实现方式与步骤306类似，不再赘述。
这种实施方式中，电子设备可以结合交通对象所在的车道以及曾经所在的车道，关联各个交通对象，从而提高交通对象关联结果的准确性。
图7为本公开一示例性实施例示出的行驶环境中交通对象的融合关联装置的结构示意图。
如图7所示，本公开提供的行驶环境中交通对象的融合关联装置700包括：
获取单元710，用于获取第一环境信息和第二环境信息；所述第一环境信息和所述第二环境信息是通过不同的传感器采集的；
车道确定单元720，用于根据所述第一环境信息确定所述第一环境信息中的第一交通对象所在的第一车道信息，根据所述第二环境信息确定所述第二环境信息中的第二交通对象所在的第二车道信息；
关联单元730，用于根据所述第一环境信息中的第一交通对象的信息、所述第二环境信息中的第二交通对象的信息、所述第一车道信息以及所述第二车道信息，确定所述第一交通对象与所述第二交通对象是否存在关联关系；存在关联关系的第一交通对象和第二交通对象为同一交通对象。
本公开提供的行驶环境中交通对象的融合关联装置，可以结合交通对象所在的车道的信息，确定交通对象是否具有关联关系，进而能够提高交通对象的融合关联准确度。
图8为本公开另一示例性实施例示出的行驶环境中交通对象的融合关联装置的结构示意图。
如图8所示，本公开提供的行驶环境中交通对象的融合关联装置800中，获取单元810与图7中的获取单元710相似，车道确定单元820与图7中的车道确定单元720相似，关联单元830与图7中的关联单元730类似。
可选的，所述车道确定单元820，包括：
映射模块821，用于根据预设的高精地图和所述第一环境信息，确定所述第一环境信息中的第一交通对象在所述高精地图中的第一映射位置；
车道确定模块822，用于根据所述第一映射位置确定所述第一交通对象所在的第一车道信息；
所述映射模块821还用于根据所述高精地图和所述第二环境信息，确定所述第二环境信息中的第二交通对象在所述高精地图中的第二映射位置；
所述车道确定模块822还用于根据所述第二映射位置确定所述第二交通对象所在的第二车道信息。
可选的，所述关联单元830，包括：
第一相似性确定模块831，用于根据第一交通对象的信息和第二交通对象的信息，确定所述第一交通对象与所述第二交通对象之间的相似概率；
第一车道关联模块832，用于根据所述第一车道信息和所述第二车道信息确定所述第一交通对象与所述第二交通对象之间的车道关联概率；所述车道关联概率用于表征所述第一交通对象与所述第二交通对象位于同一车道的概率；
第一对象关联模块833，用于根据所述相似概率和所述车道关联概率，确定所述第一交通对象与所述第二交通对象是否存在关联关系。
可选的，所述第一相似性确定模块831具体用于：
根据所述第一交通对象的信息和所述第二交通对象的信息，确定所述第一交通对象和所述第二交通对象之间的距离，并根据所述距离确定所述第一交通对象与所述第二交通对象之间的相似概率。
可选的，所述第一车道关联模块832具体用于：
若所述第一车道信息与所述第二车道信息表征第一车道和第二车道为同一车道，则确定所述车道关联概率为第一预设值；
若所述第一车道信息与所述第二车道信息表征第一车道和第二车道为相邻的同向车道，则确定所述车道关联概率为第二预设值；
否则，确定所述车道关联概率为第三预设值；其中，第一预设值大于第二预设值，第二预设值大于第三预设值。
可选的，所述第一对象关联模块833具体用于：
将所述相似概率和所述车道关联概率的乘积确定为所述第一交通对象与所述第二交通对象之间的关联概率；或者，将所述相似概率和所述车道关联概率的和确定为所述第一交通对象与所述第二交通对象之间的关联概率；或者，利用预设的第一权值确定所述相似概率的相似概率加权值，利用预设的第二权值确定所述车道关联概率的车道关联概率加权值，将所述相似概率加权值与所述车道关联概率加权值的和，确定为所述第一交通对象与所述第二交通对象之间的关联概率；
若所述关联概率大于概率阈值，则确定所述第一交通对象与所述第二交通对象之间具备关联关系。
可选的，所述获取单元810还用于获取第一历史环境信息，其中，所述第一历史环境信息与所述第一环境信息是通过同一个传感器采集的，所述第一历史环境信息的采集时间比所述第一环境信息的采集时间早预设时段；
所述获取单元810还用于获取第二历史环境信息，其中，所述第二历史环境信息与所述第二环境信息是通过同一个传感器采集的，所述第二历史环境信息的采集时间比所述第二环境信息的采集时间早预设时段；
所述车道确定单元820还用于根据第一历史环境信息确定所述第一交通对象所在的第一历史车道信息，根据第二历史环境信息确定所述第二交通对象所在的第二历史车道信息；
所述关联单元830还用于
根据所述第一环境信息中的第一交通对象的信息、所述第二环境信息中的第二交通对象的信息、所述第一车道信息、所述第二车道信息、所述第一历史车道信息以及所述第二历史车道信息，确定所述第一交通对象与所述第二交通对象是否存在关联关系。
可选的，所述关联单元830包括：
第二相似性确定模块834，用于根据第一交通对象信息和第二交通对象信息，确定所述第一交通对象与所述第二交通对象之间的相似概率；
第二车道关联模块835，用于根据所述第一车道信息、所述第二车道信息、所述第一历史车道信息以及所述第二历史车道信息确定所述第一交通对象与所述第二交通对象之间的车道关联概率；
第二对象关联模块836，用于根据所述第一交通对象与所述第二交通对象之间的相似概率和车道关联概率，确定所述第一交通对象与所述第二交通对象是否存在关联关系。
可选的，所述第二车道关联模块835具体用于：
若所述第一历史车道信息与所述第二历史车道信息表征第一车道和第二车道为为同一车道，且所述第一车道信息与所述第二车道信息表征第一车道和第二车道为同一车道，则确定所述车道关联概率为第四预设值；
若所述第一历史车道信息与所述第二历史车道信息表征第一车道和第二车道为同一车道，且所述第一车道信息与所述第二车道信息表征第一车道和第二车道为不同车道，或者所述第一历史车道信息与所述第二历史车道信息表征第一车道和第二车道为不同车道，且所述第一车道信息与所述第二车道信息表征第一车道和第二车道为相同车道，则确定所述车道关联概率为第五预设值；
否则，确定所述车道关联概率为第六预设值；其中，第四预设值大于第五预设值，第五预设值大于第六预设值。
本公开提供一种行驶环境中交通对象融合关联方法、装置及边缘计算设备，应用于计算机技术中的智能交通技术、自动驾驶技术，以解决现有技术中容易出现对象误关联的问题。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
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。
根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
根据本公开的实施例，还提供一种边缘计算设备，该边缘计算设备包括如下所述的电子设备。
可选的，边缘计算设备可以是路侧设备、路侧计算设备、路侧计算单元(Road SideComputing Unit,RSCU)等。
可选的，边缘计算设备除了包括电子设备，还可以包括通信部件等，电子设备可以和通信部件一体集成，也可以分体设置。电子设备可以获取感知设备(如路侧相机)的数据，例如图片和视频等，从而进行图像视频处理和数据计算，再经由通信部件向云控平台传送处理和计算结果。可选的，电子设备自身也可以具备感知数据获取功能和通信功能，例如是AI相机，电子设备可以直接基于获取的感知数据进行图像视频处理和数据计算，再向云控平台传送处理和计算结果。
可选的，云控平台在云端执行处理，云控平台包括的电子设备可以获取感知设备(如路侧相机)的数据，例如图片和视频等，从而进行图像视频处理和数据计算；云控平台也可以称为车路协同管理平台、V2X平台、云计算平台、中心系统、云端服务器等。
图9示出了可以用来实施本公开的实施例的示例电子设备900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9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理，例如行驶环境中交通对象的融合关联方法。例如，在一些实施例中，行驶环境中交通对象的融合关联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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的行驶环境中交通对象的融合关联方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行行驶环境中交通对象的融合关联方法。
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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。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 (22)

1.一种行驶环境中交通对象的融合关联方法，包括：
获取第一环境信息和第二环境信息；所述第一环境信息和所述第二环境信息是通过不同的传感器采集的；
根据所述第一环境信息确定所述第一环境信息中的第一交通对象所在的第一车道信息，根据所述第二环境信息确定所述第二环境信息中的第二交通对象所在的第二车道信息；
根据所述第一环境信息中的第一交通对象的信息、所述第二环境信息中的第二交通对象的信息、所述第一车道信息以及所述第二车道信息，确定所述第一交通对象与所述第二交通对象是否存在关联关系；存在关联关系的第一交通对象和第二交通对象为同一交通对象。
2.根据权利要求1所述的方法，其中，所述根据所述第一环境信息确定所述第一环境信息中的第一交通对象所在的第一车道信息，根据所述第二环境信息确定所述第二环境信息中的第二交通对象所在的第二车道信息，包括：
根据预设的高精地图和所述第一环境信息，确定所述第一环境信息中的第一交通对象在所述高精地图中的第一映射位置，根据所述第一映射位置确定所述第一交通对象所在的第一车道信息；
根据所述高精地图和所述第二环境信息，确定所述第二环境信息中的第二交通对象在所述高精地图中的第二映射位置，根据所述第二映射位置确定所述第二交通对象所在的第二车道信息。
3.根据权利要求1或2所述的方法，其中，所述根据所述第一环境信息中的第一交通对象的信息、所述第二环境信息中的第二交通对象的信息、所述第一车道信息以及所述第二车道信息，确定所述第一交通对象与所述第二交通对象是否存在关联关系，包括：
根据第一交通对象的信息和第二交通对象的信息，确定所述第一交通对象与所述第二交通对象之间的相似概率；
根据所述第一车道信息和所述第二车道信息确定所述第一交通对象与所述第二交通对象之间的车道关联概率；所述车道关联概率用于表征所述第一交通对象与所述第二交通对象位于同一车道的概率；
根据所述相似概率和所述车道关联概率，确定所述第一交通对象与所述第二交通对象是否存在关联关系。
4.根据权利要求3所述的方法，其中，所述根据第一交通对象的信息和第二交通对象的信息，确定所述第一交通对象与所述第二交通对象之间的相似概率，包括：
根据所述第一交通对象的信息和所述第二交通对象的信息，确定所述第一交通对象和所述第二交通对象之间的距离，并根据所述距离确定所述第一交通对象与所述第二交通对象之间的相似概率。
5.根据权利要求3所述的方法，其中，所述根据所述第一车道信息和所述第二车道信息确定所述第一交通对象与所述第二交通对象之间的车道关联概率，包括：
若所述第一车道信息与所述第二车道信息表征第一车道和第二车道为同一车道，则确定所述车道关联概率为第一预设值；
若所述第一车道信息与所述第二车道信息表征第一车道和第二车道为相邻的同向车道，则确定所述车道关联概率为第二预设值；
否则，确定所述车道关联概率为第三预设值；其中，第一预设值大于第二预设值，第二预设值大于第三预设值。
6.根据权利要求3所述的方法，其中，所述根据所述相似概率和所述车道关联概率，确定所述第一交通对象与所述第二交通对象是否存在关联关系，包括：
将所述相似概率和所述车道关联概率的乘积确定为所述第一交通对象与所述第二交通对象之间的关联概率；或者，将所述相似概率和所述车道关联概率的和确定为所述第一交通对象与所述第二交通对象之间的关联概率；或者，利用预设的第一权值确定所述相似概率的相似概率加权值，利用预设的第二权值确定所述车道关联概率的车道关联概率加权值，将所述相似概率加权值与所述车道关联概率加权值的和，确定为所述第一交通对象与所述第二交通对象之间的关联概率；
若所述关联概率大于概率阈值，则确定所述第一交通对象与所述第二交通对象之间具备关联关系。
7.根据权利要求1、2、4-6任一项所述的方法，还包括：
获取第一历史环境信息，其中，所述第一历史环境信息与所述第一环境信息是通过同一个传感器采集的，所述第一历史环境信息的采集时间比所述第一环境信息的采集时间早预设时段；
获取第二历史环境信息，其中，所述第二历史环境信息与所述第二环境信息是通过同一个传感器采集的，所述第二历史环境信息的采集时间比所述第二环境信息的采集时间早预设时段；
根据第一历史环境信息确定所述第一交通对象所在的第一历史车道信息，根据第二历史环境信息确定所述第二交通对象所在的第二历史车道信息；
所述根据所述第一环境信息中的第一交通对象的信息、所述第二环境信息中的第二交通对象的信息、所述第一车道信息以及所述第二车道信息，确定所述第一交通对象与所述第二交通对象是否存在关联关系，包括：
根据所述第一环境信息中的第一交通对象的信息、所述第二环境信息中的第二交通对象的信息、所述第一车道信息、所述第二车道信息、所述第一历史车道信息以及所述第二历史车道信息，确定所述第一交通对象与所述第二交通对象是否存在关联关系。
8.根据权利要求7所述的方法，其中，所述根据所述第一环境信息中的第一交通对象信息、所述第二环境信息中的第二交通对象信息、所述第一车道信息、所述第二车道信息、所述第一历史车道信息以及所述第二历史车道信息，确定所述第一交通对象与所述第二交通对象是否存在关联关系，包括：
根据第一交通对象信息和第二交通对象信息，确定所述第一交通对象与所述第二交通对象之间的相似概率；
根据所述第一车道信息、所述第二车道信息、所述第一历史车道信息以及所述第二历史车道信息确定所述第一交通对象与所述第二交通对象之间的车道关联概率；
根据所述第一交通对象与所述第二交通对象之间的相似概率和车道关联概率，确定所述第一交通对象与所述第二交通对象是否存在关联关系。
9.根据权利要求8所述的方法，其中，所述根据所述第一车道信息、所述第二车道信息、所述第一历史车道信息以及所述第二历史车道信息确定所述第一交通对象与所述第二交通对象之间的车道关联概率，包括：
若所述第一历史车道信息与所述第二历史车道信息表征第一车道和第二车道为为同一车道，且所述第一车道信息与所述第二车道信息表征第一车道和第二车道为同一车道，则确定所述车道关联概率为第四预设值；
若所述第一历史车道信息与所述第二历史车道信息表征第一车道和第二车道为同一车道，且所述第一车道信息与所述第二车道信息表征第一车道和第二车道为不同车道，或者所述第一历史车道信息与所述第二历史车道信息表征第一车道和第二车道为不同车道，且所述第一车道信息与所述第二车道信息表征第一车道和第二车道为相同车道，则确定所述车道关联概率为第五预设值；
否则，确定所述车道关联概率为第六预设值；其中，第四预设值大于第五预设值，第五预设值大于第六预设值。
10.一种行驶环境中交通对象的融合关联装置，包括：
获取单元，用于获取第一环境信息和第二环境信息；所述第一环境信息和所述第二环境信息是通过不同的传感器采集的；
车道确定单元，用于根据所述第一环境信息确定所述第一环境信息中的第一交通对象所在的第一车道信息，根据所述第二环境信息确定所述第二环境信息中的第二交通对象所在的第二车道信息；
关联单元，用于根据所述第一环境信息中的第一交通对象的信息、所述第二环境信息中的第二交通对象的信息、所述第一车道信息以及所述第二车道信息，确定所述第一交通对象与所述第二交通对象是否存在关联关系；存在关联关系的第一交通对象和第二交通对象为同一交通对象。
11.根据权利要求10所述的装置，其中，所述车道确定单元，包括：
映射模块，用于根据预设的高精地图和所述第一环境信息，确定所述第一环境信息中的第一交通对象在所述高精地图中的第一映射位置；
车道确定模块，用于根据所述第一映射位置确定所述第一交通对象所在的第一车道信息；
所述映射模块还用于根据所述高精地图和所述第二环境信息，确定所述第二环境信息中的第二交通对象在所述高精地图中的第二映射位置；
所述车道确定模块还用于根据所述第二映射位置确定所述第二交通对象所在的第二车道信息。
12.根据权利要求10或11所述的装置，其中，所述关联单元，包括：
第一相似性确定模块，用于根据第一交通对象的信息和第二交通对象的信息，确定所述第一交通对象与所述第二交通对象之间的相似概率；
第一车道关联模块，用于根据所述第一车道信息和所述第二车道信息确定所述第一交通对象与所述第二交通对象之间的车道关联概率；所述车道关联概率用于表征所述第一交通对象与所述第二交通对象位于同一车道的概率；
第一对象关联模块，用于根据所述相似概率和所述车道关联概率，确定所述第一交通对象与所述第二交通对象是否存在关联关系。
13.根据权利要求12所述的装置，其中，所述第一相似性确定模块具体用于：
根据所述第一交通对象的信息和所述第二交通对象的信息，确定所述第一交通对象和所述第二交通对象之间的距离，并根据所述距离确定所述第一交通对象与所述第二交通对象之间的相似概率。
14.根据权利要求12所述的装置，其中，所述第一车道关联模块具体用于：
若所述第一车道信息与所述第二车道信息表征第一车道和第二车道为同一车道，则确定所述车道关联概率为第一预设值；
若所述第一车道信息与所述第二车道信息表征第一车道和第二车道为相邻的同向车道，则确定所述车道关联概率为第二预设值；
否则，确定所述车道关联概率为第三预设值；其中，第一预设值大于第二预设值，第二预设值大于第三预设值。
15.根据权利要求12所述的装置，其中，所述第一对象关联模块具体用于：
将所述相似概率和所述车道关联概率的乘积确定为所述第一交通对象与所述第二交通对象之间的关联概率；或者，将所述相似概率和所述车道关联概率的和确定为所述第一交通对象与所述第二交通对象之间的关联概率；或者，利用预设的第一权值确定所述相似概率的相似概率加权值，利用预设的第二权值确定所述车道关联概率的车道关联概率加权值，将所述相似概率加权值与所述车道关联概率加权值的和，确定为所述第一交通对象与所述第二交通对象之间的关联概率；
若所述关联概率大于概率阈值，则确定所述第一交通对象与所述第二交通对象之间具备关联关系。
16.根据权利要求10、11、13-15任一项所述的装置，其中，所述获取单元还用于获取第一历史环境信息，其中，所述第一历史环境信息与所述第一环境信息是通过同一个传感器采集的，所述第一历史环境信息的采集时间比所述第一环境信息的采集时间早预设时段；
所述获取单元还用于获取第二历史环境信息，其中，所述第二历史环境信息与所述第二环境信息是通过同一个传感器采集的，所述第二历史环境信息的采集时间比所述第二环境信息的采集时间早预设时段；
所述车道确定单元还用于根据第一历史环境信息确定所述第一交通对象所在的第一历史车道信息，根据第二历史环境信息确定所述第二交通对象所在的第二历史车道信息；
所述关联单元还用于
根据所述第一环境信息中的第一交通对象的信息、所述第二环境信息中的第二交通对象的信息、所述第一车道信息、所述第二车道信息、所述第一历史车道信息以及所述第二历史车道信息，确定所述第一交通对象与所述第二交通对象是否存在关联关系。
17.根据权利要求16所述的装置，其中，所述关联单元包括：
第二相似性确定模块，用于根据第一交通对象信息和第二交通对象信息，确定所述第一交通对象与所述第二交通对象之间的相似概率；
第二车道关联模块，用于根据所述第一车道信息、所述第二车道信息、所述第一历史车道信息以及所述第二历史车道信息确定所述第一交通对象与所述第二交通对象之间的车道关联概率；
第二对象关联模块，用于根据所述第一交通对象与所述第二交通对象之间的相似概率和车道关联概率，确定所述第一交通对象与所述第二交通对象是否存在关联关系。
18.根据权利要求17所述的装置，其中，所述第二车道关联模块具体用于：
若所述第一历史车道信息与所述第二历史车道信息表征第一车道和第二车道为为同一车道，且所述第一车道信息与所述第二车道信息表征第一车道和第二车道为同一车道，则确定所述车道关联概率为第四预设值；
若所述第一历史车道信息与所述第二历史车道信息表征第一车道和第二车道为同一车道，且所述第一车道信息与所述第二车道信息表征第一车道和第二车道为不同车道，或者所述第一历史车道信息与所述第二历史车道信息表征第一车道和第二车道为不同车道，且所述第一车道信息与所述第二车道信息表征第一车道和第二车道为相同车道，则确定所述车道关联概率为第五预设值；
否则，确定所述车道关联概率为第六预设值；其中，第四预设值大于第五预设值，第五预设值大于第六预设值。
19.一种电子设备，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1-9中任一项所述的方法。
20.一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1-9中任一项所述的方法。
21.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-9中任一项所述方法的步骤。
22.一种边缘计算设备，包括如权利要求19所述的电子设备。
CN202111337132.XA 2021-11-12 2021-11-12 行驶环境中交通对象融合关联方法、装置及边缘计算设备 Active CN114049615B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202111337132.XA CN114049615B (zh) 2021-11-12 2021-11-12 行驶环境中交通对象融合关联方法、装置及边缘计算设备
US17/979,273 US20230049992A1 (en) 2021-11-12 2022-11-02 Fusion and association of traffic objects in driving environment
KR1020220147534A KR20220156489A (ko) 2021-11-12 2022-11-08 주행 환경에서 교통 객체의 융합 연관 방법, 장치 및 에지 컴퓨팅 기기
JP2022179785A JP2023011912A (ja) 2021-11-12 2022-11-09 走行環境における交通オブジェクトの融合及び関連付け方法、装置並びにエッジコンピューティングデバイス
EP22206921.3A EP4134843A3 (en) 2021-11-12 2022-11-11 Fusion and association method and apparatus for traffic objects in driving environment, and edge computing device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111337132.XA CN114049615B (zh) 2021-11-12 2021-11-12 行驶环境中交通对象融合关联方法、装置及边缘计算设备

Publications (2)

Publication Number Publication Date
CN114049615A true CN114049615A (zh) 2022-02-15
CN114049615B CN114049615B (zh) 2023-09-05

Family

ID=80208618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111337132.XA Active CN114049615B (zh) 2021-11-12 2021-11-12 行驶环境中交通对象融合关联方法、装置及边缘计算设备

Country Status (5)

Country Link
US (1) US20230049992A1 (zh)
EP (1) EP4134843A3 (zh)
JP (1) JP2023011912A (zh)
KR (1) KR20220156489A (zh)
CN (1) CN114049615B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102982703A (zh) * 2012-12-12 2013-03-20 成都合纵连横数字科技有限公司 一种汽车驾驶仿真器与虚拟交通环境仿真系统的交互方法
WO2015055185A1 (de) * 2013-10-14 2015-04-23 Conti Temic Microelectronic Gmbh Verfahren zur erkennung von verkehrssituationen beim betrieb eines fahrzeugs
CN108569295A (zh) * 2017-03-08 2018-09-25 奥迪股份公司 用于环境检测的方法和系统
CN109429518A (zh) * 2017-06-22 2019-03-05 百度时代网络技术（北京）有限公司 基于地图图像的自动驾驶交通预测
CN110595494A (zh) * 2019-09-17 2019-12-20 百度在线网络技术（北京）有限公司 地图误差确定方法和装置
CN111405526A (zh) * 2019-01-02 2020-07-10 中国移动通信有限公司研究院 一种信息获取方法、装置、平台、车载设备及路侧设备
US20210096575A1 (en) * 2019-09-30 2021-04-01 Gm Cruise Holdings Llc Map prior layer
CN112710317A (zh) * 2020-12-14 2021-04-27 北京四维图新科技股份有限公司 自动驾驶地图的生成方法、自动驾驶方法及相关产品
CN113378654A (zh) * 2021-05-23 2021-09-10 南京理工大学 基于定位和视觉技术融合的车道级定位方法及系统
CN113378306A (zh) * 2021-08-13 2021-09-10 腾讯科技（深圳）有限公司 交通控制方法、装置、电子设备及计算机可读存储介质
US20210334986A1 (en) * 2020-12-21 2021-10-28 Beijing Baidu Netcom Science And Technology Co., Ltd. Method for detecting vehicle lane change, roadside device, and cloud control platform

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5625420B2 (ja) * 2010-03-19 2014-11-19 富士通株式会社 車両検知装置および車両検知システム
US12065170B2 (en) * 2021-09-28 2024-08-20 GM Global Technology Operations LLC Automated driving systems and control logic for lane localization of target objects in mapped environments

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102982703A (zh) * 2012-12-12 2013-03-20 成都合纵连横数字科技有限公司 一种汽车驾驶仿真器与虚拟交通环境仿真系统的交互方法
WO2015055185A1 (de) * 2013-10-14 2015-04-23 Conti Temic Microelectronic Gmbh Verfahren zur erkennung von verkehrssituationen beim betrieb eines fahrzeugs
CN108569295A (zh) * 2017-03-08 2018-09-25 奥迪股份公司 用于环境检测的方法和系统
CN109429518A (zh) * 2017-06-22 2019-03-05 百度时代网络技术（北京）有限公司 基于地图图像的自动驾驶交通预测
CN111405526A (zh) * 2019-01-02 2020-07-10 中国移动通信有限公司研究院 一种信息获取方法、装置、平台、车载设备及路侧设备
CN110595494A (zh) * 2019-09-17 2019-12-20 百度在线网络技术（北京）有限公司 地图误差确定方法和装置
US20210096575A1 (en) * 2019-09-30 2021-04-01 Gm Cruise Holdings Llc Map prior layer
CN112710317A (zh) * 2020-12-14 2021-04-27 北京四维图新科技股份有限公司 自动驾驶地图的生成方法、自动驾驶方法及相关产品
US20210334986A1 (en) * 2020-12-21 2021-10-28 Beijing Baidu Netcom Science And Technology Co., Ltd. Method for detecting vehicle lane change, roadside device, and cloud control platform
CN113378654A (zh) * 2021-05-23 2021-09-10 南京理工大学 基于定位和视觉技术融合的车道级定位方法及系统
CN113378306A (zh) * 2021-08-13 2021-09-10 腾讯科技（深圳）有限公司 交通控制方法、装置、电子设备及计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BIN LV等: "LiDAR-Enhanced Connected Infrastructures Sensing and Broadcasting High-Resolution Traffic", 《IEEE ACCESS》, vol. 7, pages 79895 - 79907, XP011732810, DOI: 10.1109/ACCESS.2019.2923421 *
CHRISTIAN ADAM等: "Probabilistic Road Estimation and Lane Association Using Radar Detections", 《IEEE》, pages 1 - 8 *

Also Published As

Publication number Publication date
KR20220156489A (ko) 2022-11-25
US20230049992A1 (en) 2023-02-16
JP2023011912A (ja) 2023-01-24
EP4134843A2 (en) 2023-02-15
CN114049615B (zh) 2023-09-05
EP4134843A3 (en) 2023-04-26

Similar Documents

Publication Publication Date Title
CN112541437A (zh) 车辆定位方法、装置、电子设备及存储介质
CN112883236B (zh) 一种地图更新方法、装置、电子设备及存储介质
CN113688935A (zh) 高精地图的检测方法、装置、设备以及存储介质
CN112528927A (zh) 基于轨迹分析的置信度确定方法、路侧设备及云控平台
CN114036253A (zh) 高精地图数据处理方法、装置、电子设备和介质
US20230072632A1 (en) Obstacle detection method, electronic device and storage medium
CN114140759A (zh) 高精地图车道线位置确定方法、装置及自动驾驶车辆
CN114387410A (zh) 道路数据融合的地图生成方法、装置以及电子设备
CN115690739A (zh) 多传感器融合障碍物存在性检测方法和自动驾驶车辆
CN113971723A (zh) 高精地图中三维地图的构建方法、装置、设备和存储介质
CN115641359A (zh) 确定对象的运动轨迹的方法、装置、电子设备和介质
CN114528941A (zh) 传感器数据融合方法、装置、电子设备及存储介质
CN113722342A (zh) 高精地图要素变更检测方法、装置、设备及自动驾驶车辆
CN113887391A (zh) 用于识别路面标识的方法、装置以及自动驾驶车辆
CN113762397A (zh) 检测模型训练、高精度地图更新方法、设备、介质及产品
CN113177980A (zh) 用于自动驾驶的目标对象速度确定方法、装置及电子设备
CN114429631B (zh) 三维对象检测方法、装置、设备以及存储介质
CN114049615A (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
CN112507957A (zh) 一种车辆关联方法、装置、路侧设备及云控平台
CN115662167B (zh) 自动驾驶地图构建方法、自动驾驶方法及相关装置
CN112507951B (zh) 指示灯识别方法、装置、设备、路侧设备和云控平台
CN114693777A (zh) 交通标志的空间位置确定方法、装置及电子设备
CN115468570A (zh) 高精地图地面要素的提取方法、装置、设备及存储介质
CN114359513A (zh) 障碍物位置的确定方法、装置和电子设备
CN115906001A (zh) 多传感器融合目标检测方法、装置、设备及自动驾驶车辆

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