CN114264310A - 定位及导航方法、装置、电子设备、计算机存储介质 - Google Patents
定位及导航方法、装置、电子设备、计算机存储介质 Download PDFInfo
- Publication number
- CN114264310A CN114264310A CN202010962427.5A CN202010962427A CN114264310A CN 114264310 A CN114264310 A CN 114264310A CN 202010962427 A CN202010962427 A CN 202010962427A CN 114264310 A CN114264310 A CN 114264310A
- Authority
- CN
- China
- Prior art keywords
- lane
- vehicle
- positioning result
- environment image
- road environment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000008859 change Effects 0.000 claims abstract description 97
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 32
- 238000004891 communication Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 15
- 238000013145 classification model Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本申请实施例提供了一种定位及导航方法、装置、电子设备及计算机存储介质。其中,定位方法包括:获取车载视觉设备采集的车辆行驶道路的道路环境图像;基于道路环境图像,识别车载视觉设备所在的车辆的绝对车道定位结果,绝对车道定位结果包括:车辆所处车道的车道数和置信度,一帧道路环境图像对应一个绝对车道定位结果;基于道路环境图像,检测获得车辆在车辆行驶道路上的车道变换数据;当一帧道路环境图像对应的置信度大于或等于预设值时,将该帧道路环境图像对应的车道数确定为车辆的车道定位结果;当一帧道路环境图像对应的置信度小于预设值时,基于车道变换数据和该帧道路环境图像之前确定的历史车道定位结果,确定车辆的车道定位结果。
Description
技术领域
本申请实施例涉及计算机技术领域,尤其涉及一种定位方法、装置、电子设备及计算机存储介质,以及,一种导航方法、装置、电子设备及计算机存储介质。
背景技术
为提供更精准的地图导航服务,车道级定位的技术研究越来越活跃,车道级定位是指定位车辆在其行驶道路的哪条车道上的一种技术。
现有车道级定位的实现一般基于全球导航卫星系统(Global NavigationSatellite System,GNSS)接收机、惯性测量单元(Inertial measurement unit,IMU)等传感器输出的数据结合地图数据,定位车辆所在的车道,这种方式一方面对地图数据的精度要求较高,另一方面需要依赖成本较高的硬件。此外,在隧道、城市楼宇密集等GNSS信号被遮挡的区域,很难实现车道级定位。基于此,需要提供适应性更广、成本较低、对地图精度依赖不高的车道级定位方案。
发明内容
有鉴于此,本发明实施例提供一种定位方案,以至少部分解决上述问题。
根据本发明实施例的第一方面,提供了一种定位方法,包括:获取车载视觉设备采集的车辆行驶道路的道路环境图像;基于所述道路环境图像,识别所述车载视觉设备所在的车辆的绝对车道定位结果,所述绝对车道定位结果包括:用于表征所述车辆在所述车辆行驶道路上所处车道的车道数和置信度,一帧道路环境图像对应一个绝对车道定位结果;基于所述道路环境图像,检测获得所述车辆在所述车辆行驶道路上的车道变换数据;当一帧道路环境图像对应的绝对车道定位结果的置信度大于或等于预设值时,将该帧道路环境图像对应的车道数确定为所述车辆的车道定位结果;当一帧道路环境图像对应的绝对车道定位结果的置信度小于所述预设值时,基于所述车道变换数据和该帧道路环境图像之前确定的历史车道定位结果,确定所述车辆的车道定位结果。
根据本发明实施例的第二方面,提供了一种导航方法,包括:根据车辆的起始位置信息和目标位置信息,确定车道级导航路线;获取所述车辆的车道定位结果,根据所述导航路线和所述车道定位结果,为所述车辆进行车道级导航引导;其中,所述车道定位结果通过如第一方面所述的定位方法获得。
根据本发明实施例的第三方面,提供了一种定位装置,包括:第一获取模块,用于获取车载视觉设备采集的车辆行驶道路的道路环境图像;识别模块,用于基于所述道路环境图像,识别所述车载视觉设备所在的车辆的绝对车道定位结果,所述绝对车道定位结果包括:用于表征所述车辆在所述车辆行驶道路上所处车道的车道数和置信度,一帧道路环境图像对应一个绝对车道定位结果;检测模块,用于基于所述道路环境图像,检测获得所述车辆在所述车辆行驶道路上的车道变换数据;定位模块,用于当一帧道路环境图像对应的绝对车道定位结果的置信度大于或等于预设值时,将该帧道路环境图像对应的车道数确定为所述车辆的车道定位结果;当一帧道路环境图像对应的绝对车道定位结果的置信度小于所述预设值时,基于所述车道变换数据和该帧道路环境图像之前确定的历史车道定位结果,确定所述车辆的车道定位结果。
根据本发明实施例的第四方面,提供了一种导航装置,包括:确定模块,用于根据车辆的起始位置信息和目标位置信息,确定车道级导航路线;第二获取模块,用于获取所述车辆的车道定位结果,根据所述导航路线和所述车道定位结果,为所述车辆进行车道级导航引导;其中,所述车道定位结果通过如第三方面所述的定位装置获得。
根据本发明实施例的第五方面,提供了一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如第一方面所述的定位方法对应的操作,或者,所述可执行指令使所述处理器执行如第二方面所述的导航方法对应的操作。
根据本发明实施例的第六方面,提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的定位方法,或者,实现如第二方面所述的导航方法。
根据本发明实施例提供的定位方案,基于车载视觉设备采集的道路环境图像,在进行车辆的绝对车道定位识别的同时,还对该车辆的车道变换情况进行检测,获得车道变换数据。当某帧道路环境图像对应的绝对车道定位识别结果中的置信度大于或等于预设值时,表明基于该帧道路环境图像的绝对车道定位结果可信,可直接将该绝对车道定位结果中的车道数确定为车辆的车道定位结果;否则,需要根据检测获得的车道变换数据,结合该帧道路环境图像之前的历史车道定位结果,来确定车辆的车道定位结果。由此,只需车辆上设置有任意可用的车载视觉设备即可实现准确的车道定位,而无需依赖于高精地图,从而使得本申请实施例提供的方案具有广泛的适应性,且相较于依赖于高精地图的定位方式,本申请实施例提供的定位方案实现定位的成本也较低。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1a为本申请实施例所提供的一种定位方法的流程示意图;
图1b为本申请实施例所提供的一种实际应用中的车道定位的逻辑示意图;
图2为本申请实施例所提供的一种确定当前车道的示意图;
图3为本申请实施例所提供的一种车道线检测的示意图;
图4为本申请实施例所提供的一种导航方法的流程示意图;
图5为本申请实施例所提供的一种定位装置的结构示意图;
图6为本申请实施例所提供的一种导航装置的结构示意图;
图7为根据本申请实施例所提供的的一种电子设备的结构示意图。
具体实施方式
为了使本领域的人员更好地理解本发明实施例中的技术方案,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,所描述的实施例仅是本发明实施例一部分实施例,而不是全部的实施例。基于本发明实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本发明实施例保护的范围。
如图1a所示,图1a为本申请实施例所提供的一种定位方法的流程示意图,包括:
S101,获取车载视觉设备采集的车辆行驶道路的道路环境图像。
其中,车载视觉设备可以为任意适当的、可设置于车辆中且可进行图像采集的设备,包括但不限于可拍照的移动终端(如手机等)或者车载摄像头等。基于此,本步骤可以通过移动终端如手机或者车载摄像头等设备,对于其所在车辆行驶前方的道路环境进行拍摄,从而获得车道行驶道路的道路环境图像。本申请在具体实现时,步骤S101获取的可以是车载视觉设备采集的每一帧道路环境图像,也可以是车载视觉设备采集的道路环境图像中的部分。例如,车载视觉设备以每秒5帧的拍摄频率,本申请可以获取每秒拍摄的每一帧图像执行后续处理过程,也可以获取第1帧、第3帧和第5帧或者第2帧和第4帧或者第1至第3帧等执行后续处理过程。在实际应用中,本领域技术人员可以基于执行本申请提供方案终端设备的性能,设定获取道路环境图像的规则,本申请举例不应视为对本申请方案的限制。
可选地,在拍摄得到的道路环境图像中可以包含时间信息,如时间戳,以为可能的后续处理提供时间依据。
S103,基于道路环境图像,识别车载视觉设备所在的车辆的绝对车道定位结果。
其中,绝对车道定位结果包括:用于表征车辆在车辆行驶道路上所处车道的车道数和置信度,一帧道路环境图像对应一个绝对车道定位结果。
其中,对道路环境图像进行车道识别的方式可以采用任意适当的方式实现,包括但不限于使用适当的识别算法或者分类模型的方式。例如,可以使用历史收集的道路环境图像样本,采用有监督或者无监督的方式对分类模型进行训练,以获得能够基于输入的道路环境图像输出绝对车道定位结果的模型。其中,所述分类模型可采用任意适当的神经网络模型实现,包括但不限于CNN模型等,本申请实施例对此不作限制。
在一种可行方式中,本步骤可以实现为:对道路环境图像进行分类识别,确定车辆在车辆行驶道路上所处车道的车道数和置信度。其中,置信度用于指示车辆处于该车道的概率,置信度越高车辆处于相应车道的概率越大。以使用分类模型为例,所述分类模型可以从一帧道路环境图像中识别出车辆所处的车道数和置信度。其中,车道数可以是以道路的单侧作为计数的基准,也可以道路的双侧作为计数基准。以道路的单侧为例,例如,分类模型对道路环境图像A进行分类识别学习,输出结果可以包括:车辆位于从道路左侧(也就是车辆左侧)数第5个车道且置信度为0.8、车辆位于从道路左侧数第4个车道且置信度为0.2。以道路的双侧为例,例如,分类模型对道路环境图像A进行分类识别学习,输出结果可以包括:车辆位于从道路左侧数第5个车道且置信度为0.8、车辆位于从道路右侧数第1个车道且置信度为0.9,车辆位于从道路左侧数第4个车道且置信度为0.6、车辆位于从道路右侧数第2个车道且置信度为0.5。分类模型能够支持输出左数和右数车道数的好处在于,车辆在道路上行驶时道路上亦会存在其他行驶车辆,当道路环境图像中其他行驶车辆遮挡了某一侧的车道,比如车辆右侧的车道,则分类器还可以输出道路左侧数的车道数。
也即,为了进一步提升绝对车道定位的准确度,可选地,可以对所述道路环境图像进行分类识别,确定车辆在车辆行驶道路上所处车道的左数车道数和置信度,及,右数车道数和置信度。
采用此种方式时,一方面,获得的两部分结果可根据后续的应用需要如导航需要选择其中的一种使用或者全部使用,提升了定位结果的适用性;另一方面,在某些情况下,道路环境图像中的某一个方向上的图像部分可能不够清晰,而另一方向上的图像部分比较清晰,同时从不同方向对道路环境图像进行分类识别,可以保证获得有效且准确的结果。例如,若采集的道路环境图像中左侧图像部分因光照反射、其它车辆遮挡等原因无法从一侧对车辆进行分类识别,则可以从另一侧进行分类识别。此时,获得的车道数为有方向的车道数,例如“左数第1个车道,右数第3个车道”等。
对于同一个车辆而言,在不同的时刻,其当前车道可以是相同的,也可以是不同。
例如,如果连续多帧道路环境图像的车道分类识别结果均一致,都是“左数第1个车道,右数第3个车道”,那么可以认为在该多帧道路环境图像对应的时间段内,车辆一直处于“左数第1个车道,右数第3个车道”。
又例如,如果连续多帧道路环境图像的车道分类识别结果中存在部分的识别结果与其它识别结果不一致,假设包含有两类识别结果,即识别结果A和识别结果B。如果识别结果A所对应的图像在拍摄时间上均处于识别结果B所对应的图像的拍摄时间之前,那么可以认为实际上车辆在行驶过程中进行了车道变换,此时可以将识别结果B确定为车辆所处的当前车道。
又例如,如果在连续多帧道路环境图像的车道分类识别结果中存在少量的识别结果与其它识别结果不同,且时间序列上也是混杂在其它的识别结果之间,那么可以认定这些少量的与其它不同的识别结果是识别噪声,可将多数的相同的识别结果确定为车辆所处的当前车道。
如图2所示,图2为本申请实施例所提供的一种确定当前车道的示意图。在该示意图中,对于连续的多帧道路环境图像进行了连续的分类识别,从而可以连续的得到车辆所处车道的信息。图中的黑点表征了车辆在不同时刻所处的车道。
S105,基于道路环境图像,检测获得车辆在车辆行驶道路上的车道变换数据。
首先需要说明的是,本实施例中,本步骤置于步骤S103之后进行说明,但在实际应用中,步骤S103和步骤S105并行执行,本实施例中的步骤执行顺序仅为了便于说明,不应理解为执行顺序的限制。
其中,车道变换数据可以指示车辆在某一时段内是否进行了车道变换,车道变换数据的形式可由本领域技术人员根据实际需求适当设置,例如,车道变换数据为0,则指示未进行过车道变换;为-1可指示向左变换了一个车道;为+1可指示向右变换了一个车道等。或者,车道变换数据为F表示未进行过车道变换,为L1表示向左变换了一个车道,为R1表示向右变换了一个车道等等。本申请实施例对此不作限制。
基于道路环境图像的车道变换检测的具体实现同样可由本领域技术人员采用适当的算法或神经网络模型实现。
在一种可行方式中,可以对道路环境图像进行车道线检测,以获得车辆当前行驶车道的车道线检测结果;根据车道线检测结果,获得车辆在所述车辆行驶道路上的车道变换数据。通过车道线检测方式,可以较为精准地获得车道变换数据。
如前所述,道路环境图像是被连续采集的,基于此,可对车载视觉设备采集的道路环境图像进行逐帧检测,根据各帧检测结果之间的差异获得车道变换数据。
例如,在根据车道线检测结果,获得车辆在车辆行驶道路上的车道变换数据时,可以对车道线检测结果进行截距分析,获得车辆在车辆行驶道路上的车道变换数据。如,将当前道路环境图像的车道线检测结果与之前道路环境图像的车道线检测结果进行截距分析(如进行曲线拟合或投影变换等),根据截距分析的结果获得车道变换数据。相较于其它方式,截距分析的方式实现简单,且实现成本低。
S107,当一帧道路环境图像对应的绝对车道定位结果的置信度大于或等于预设值时,将该帧道路环境图像对应的车道数确定为车辆的车道定位结果;当一帧道路环境图像对应的绝对车道定位结果的置信度小于所述预设值时,基于车道变换数据和该帧道路环境图像之前确定的历史车道定位结果,确定车辆的车道定位结果。
其中,所述预设值可由本领域技术人员根据实际需求适当设置,如设置为0.9等,本申请实施例对此不作限制。
若对一帧道路环境图像进行分类识别后,获得的绝对车道定位结果中,某一车道的置信度大于或等于预设值,则表明车辆处于该车道的可能性非常大,可将该车道的车道数确定为该帧道路环境图像所对应时刻的车辆的车道定位结果。
反之,若获得的绝对车道定位结果中,所有车道的置信度均小于所述预设值,则表明对该帧道路环境图像的车道分类识别无法得到准确的车道定位结果。此种情况下,需要结合之前检测获得的车道变换数据和之前较为准确的历史车道定位结果,来确定车辆的当前车道定位结果。
其中,一种可行方式中,所述基于车道变换数据和该帧道路环境图像之前确定的历史车道定位结果,确定车辆的车道定位结果可以实现为:从该帧道路环境图像之前确定出的历史车道定位结果中,确定置信度大于或等于预设的置信度阈值的历史车道定位结果作为基础车道定位结果,其中,用于确定历史车道定位结果的历史道路环境图像与该帧道路环境图像的采集时间差在预设的时长内;根据基础车道定位结果和车道变换数据,确定车辆的车道定位结果。其中,所述预设的置信度阈值可以本领域技术人员根据实际需求适当设置,其可与前述预设值相同。类似地,所述预设的时长也可由本领域技术人员根据实际需求适当设置,如设置为10秒或20秒等,本申请实施例对此均不作限制。因对车辆的车道定位是实时的,因此,对采集到的道路环境图像进行分类识别也是实时的,在一帧道路环境图像(通常为采集的当前时刻的道路环境图像)对应的绝对车道定位结果的置信度小于所述预设值时,也即,无法通过对该帧道路环境图像进行分类识别获得可直接进行车道定位的结果时,需要结合车道变换数据与其之前的最接近的、且绝对车道定位结果的置信度大于或等于所述预设值的道路环境图像对应的车道定位结果,来确定当前道路环境图像对应的车道定位结果。
例如,若绝对车道定位结果中不存在置信度满足所述预设值的车道,则可能是因道路环境图像采集时的采集条件原因如强光照、大雨等等因素导致不足以通过该道路环境图像准确确定车辆所处的车道;但也有可能是因为车辆变换车道导致无法通过该道路环境图像对车辆所处车道进行准确识别。基于此,可先确定该道路环境图像之前的、置信度大于或等于预设的置信度阈值的历史车道定位结果,在此基准上结合车道变换数据来确定车辆的车道定位结果。例如,可以采用距离该道路环境图像最近的、且置信度大于或等于预设的置信度阈值的绝对车道定位结果。通过这种方式,有效避免了因采集的道路环境图像的问题而无法准确对车辆进行准确定位的现象。
但不限于此,在另一种可行方式中,所述基于车道变换数据和该帧道路环境图像之前确定的历史车道定位结果,确定车辆的车道定位结果可以实现为:从缓存的历史车道定位结果中,确定置信度大于或等于预设的置信度阈值的历史车道定位结果作为基础车道定位结果;根据基础车道定位结果和车道变换数据,确定车辆的车道定位结果。其中,缓存中的数据会周期性清除,例如,每隔30秒或60秒清除一次。这样,从缓存的历史车道定位结果中确定的基础车道定位结果即为距离当前时刻最为接近且置信度满足预设的置信度阈值的定位结果,据此,结合车道变换数据,可确定车辆的当前车道定位结果,采用此种方式,直接从缓存中获取数据,速度快且无需进行时间判断,效率更高。
此外,如前所述,车道变换数据可以指示车辆进行了变道,也可以指示车辆未进行变道。基于此,在一种可行方式中,若车道变换数据指示自基础车辆定位结果对应的定位时间至获取该帧道路环境图像时,车辆未进行车道变换,则将基础车辆定位结果确定为车辆的车道定位结果;而若车道变换数据指示自基础车辆定位结果对应的定位时间至获取该帧道路环境图像时,车辆进行过车道变换,则以基础车道定位结果所指示的车道数为基准,根据车道变换数据所指示的车道变换方向和数量,确定车辆的车道定位结果。
例如,假设基础车道定位结果所指示的车道数为左4车道,车道变换数据指示车辆在自基础车道定位结果对应的定位时间至获取当前帧道路环境图像时,车辆未进行过变道,则当前帧道路环境图像对应的车辆的车道定位结果为左4车道。而若基础车道定位结果所指示的车道数为左4车道,车道变换数据指示车辆在自基础车道定位结果对应的定位时间至获取当前帧道路环境图像时,车辆向左进行了两次变道,则当前帧道路环境图像对应的车辆的车道定位结果为左2车道。
需要说明的是,上述方式中使用的基础车道定位结果采用了置信度的方式,但在实际应用中,基础车道定位结果可以是该帧道路环境图像之前确定的、置信度大于或等于预设的置信度阈值的车道定位结果,但也可以是之前确定的经过车道变换数据修正后的车道定位结果,如上述示例中的左2车道。
如图2中所示,可以采用预设的车道线检测模型检测出车辆对于每条车道线的距离,那么距离车道最近的两条车道线即为车辆在行驶时的车道线。那么只需要对多帧道路环境图像进行连续的确定车辆对于每条车道线的距离,并且对其中“两条最近车道线”进行持续的检测,即可以确定出车辆的变道状态,即是不是发生了变道,以及具体的变道情况。
如图3所示,图3为本申请实施例所提供的一种对于车道线距离的曲线示意图。在该示意图中,横坐标为时间,纵坐标为距离,每条虚线代表了一条车道。在该示意图中,车辆A一直保持到车道线1和2距离最近,即其“两条最近车道线”始终没有发生变化,即说明车辆A没有发生变道。车辆B的“两条最近车道线”从“车道线1和车道线2”变为“车道线3和车道线4”,说明其发生了车道变化,且其变道数值可以确定是“+2”,这里的“+”可以对应于实际中的方向,具体设置可以根据车道线所对应的方向来确定。例如,如果以车道线1为右,车道线4为左,则“+”对应的是“向左”。
如果发生车辆行驶状态异常(例如,车辆经常性的曲线变道)或者道路情况异常(例如,堵车或者道路损坏),造成拍摄设备即车载视觉设备无法正常获取车辆所处道路的道路环境图像,从而导致车道分类模型输出的当前车道的置信度太低甚至不能识别出当前车道,那么此时就可以根据所述历史车道定位结果和所述车道变换数据确定所述车辆所处的车道。
通过基于车量变换数据和历史车道定位结果的综合分析,从而可以在更广泛的条件下进行车道的准确定位,并输出稳定可靠的车道定位结果,适应性更广。如图1b所示,图1b为本申请实施例所提供的一种实际应用中的车道定位的逻辑示意图。在“当前车道”的置信度较高时,直接采用其对应的车道数作为车道定位结果,提高定位效率;在“当前车道”的置信度较低时,通过使用历史车道定位结果(可以基于经验和模型需求自行设定,例如距离当前时间1s-20s以前)中具有高置信度的“历史车道”(置信度取值范围是0-1,例如,高置信度指置信度大于0.9),结合高置信的“历史车道”出现的时间点到当前时间点内的车道变换数据,从而推算出某帧道路环境图像如当前时刻采集的道路环境图像对应的车道定位结果。
例如,当前时刻出现了“当前车道”低置信,当前时刻往前5s的时刻出现过“历史车道”高置信,且车道变换数据显示当前时刻往前5s内未发生过变道,则直接使用当前时刻往前5s时刻的“历史车道”定位结果作为当前时刻的车道定位结果。
又例如,当前时刻出现了“当前车道”低置信,当前时刻往前3s的时刻出现过“历史车道”高置信,且车道变换数据显示当前时刻往前3s发生2次左变道,则将当前时刻往前3s的时刻的“历史车道”定位结果向左调整2个车道,即是当前时刻的车道定位结果。
可见,通过本实施例,基于车载视觉设备采集的道路环境图像,在进行车辆的绝对车道定位识别的同时,还对该车辆的车道变换情况进行检测,获得车道变换数据。当某帧道路环境图像对应的绝对车道定位识别结果中的置信度大于或等于预设值时,表明基于该帧道路环境图像的绝对车道定位结果可信,可直接将该绝对车道定位结果中的车道数确定为车辆的车道定位结果;否则,需要根据检测获得的车道变换数据,结合该帧道路环境图像之前的历史车道定位结果,来确定车辆的车道定位结果。由此,只需车辆上设置有任意可用的车载视觉设备即可实现准确的车道定位,而无需依赖于高精地图,从而使得本请实施例提供的方案具有广泛的适应性,且相较于依赖于高精地图的定位方式,本实施例提供的定位方案实现定位的成本也较低。
本实施例的定位方法可以由任意适当的具有数据处理能力的电子设备执行,包括但不限于:移动终端如手机、PAD、车机、行车记录仪等。
本申请实施例还提供了一种导航方法,如图4所示,该导航方法包括以下步骤:
S102,根据车辆的起始位置信息和目标位置信息,确定车道级导航路线。
其中,车辆的起始位置信息可以通过用户输入获得,也可以通过车辆中的定位设备,如手机GPS或行车记录仪中的GPS等获得。而车辆的目标位置信息则通常可以由用户输入如手动输入或在展示的地图上选取位置等获得。本申请实施例对起始位置信息和目标位置信息的具体获得手段不作限制。
在确定的车辆的起始位置信息和目标位置信息后,即可确定两者之间的一条或多条(两条及两条以上)车道级导航路线,以指示用户如何从起始位置信息指示的起始位置向目标位置信息指示的目标位置行驶。
S104,获取车辆的车道定位结果,根据导航路线和车道定位结果,为车辆进行车道级导航引导。
其中,所述车道定位结果通过如上实施例中所述的定位方法获得,在此不再赘述。
在确定了车道级导航路线和车道定位结果后,即可为车辆进行车道级导航引导,例如,请向左并线走左侧第2车道。
通过本实施例,能够基于车道级导航路线和车辆的当前车道定位结果,进行更为精准的车道级导航引导,大大地提升了用户的使用体验。
本实施例的定位方法可以由任意适当的具有数据处理能力的电子设备执行,包括但不限于:移动终端如手机、PAD、车机、行车记录仪等。
对应的,本申请实施例还提供一种定位装置,如图5所示,图5为本申请实施例所提供的一种定位装置的结构示意图,包括:第一获取模块401、识别模块403、检测模块405、定位模块407。
第一获取模块401,用于获取车载视觉设备采集的车辆行驶道路的道路环境图像。
识别模块403,用于基于所述道路环境图像,识别所述车载视觉设备所在的车辆的绝对车道定位结果,所述绝对车道定位结果包括:用于表征所述车辆在所述车辆行驶道路上所处车道的车道数和置信度,一帧道路环境图像对应一个绝对车道定位结果。
检测模块405,用于基于所述道路环境图像,检测获得所述车辆在所述车辆行驶道路上的车道变换数据。
定位模块407,用于当一帧道路环境图像对应的绝对车道定位结果的置信度大于或等于预设值时,将该帧道路环境图像对应的车道数确定为所述车辆的车道定位结果,以及用于当一帧道路环境图像对应的绝对车道定位结果的置信度小于所述预设值时,基于所述车道变换数据和该帧道路环境图像之前确定的历史车道定位结果,确定所述车辆的车道定位结果。
可选的,识别模块403具体用于:对所述道路环境图像进行分类识别,确定所述车辆在所述车辆行驶道路上所处车道的车道数和置信度。
可选的,识别模块403,包括:车道识别模块,用于对所述道路环境图像进行分类识别,确定所述车辆在所述车辆行驶道路上所处车道的左数车道数和置信度,及,右数车道数和置信度。
可选的,检测模块405包括:车道线检测模块,用于对道路环境图像进行车道线检测,以获得所述车辆行驶车道的车道线检测结果;变换数据确定模块,用于根据所述车道线检测结果,获得所述车辆在所述车辆行驶道路上的车道变换数据。
可选的,变换数据确定模块,具体用于对所述车道线检测结果进行截距分析,获得所述车辆在所述车辆行驶道路上的车道变换数据。
可选的,定位模块407在基于所述车道变换数据和该帧道路环境图像之前确定的历史车道定位结果,确定所述车辆的车道定位结果时:从该帧道路环境图像之前确定出的历史车道定位结果中,确定置信度大于或等于预设的置信度阈值的历史车道定位结果作为基础车道定位结果,其中,用于确定所述历史车道定位结果的历史道路环境图像与该帧道路环境图像的采集时间差在预设的时长内;根据所述基础车道定位结果和所述车道变换数据,确定所述车辆的车道定位结果。
可选的,若所述车道变换数据指示自所述基础车辆定位结果对应的定位时间至获取所述该帧道路环境图像时,所述车辆未进行车道变换,则定位模块407,具体用于将所述基础车辆定位结果确定为所述车辆的车道定位结果;以及,若所述车道变换数据指示自所述基础车辆定位结果对应的定位时间至获取所述该帧道路环境图像时,所述车辆进行过车道变换,则定位模块407,具体用于以所述基础车道定位结果所指示的车道数为基准,根据所述车道变换数据所指示的车道变换方向和数量,确定所述车辆的车道定位结果。
本实施例的定位装置用于实现前述多个方法实施例中相应的定位方法,并具有相应的方法实施例的有益效果,在此不再赘述。此外,本实施例的定位装置中的各个模块的功能实现均可参照前述方法实施例中的相应部分的描述,在此亦不再赘述。
对应的,本申请实施例还提供一种导航装置,如图6所示,图6为本申请实施例所提供的一种导航装置的结构示意图,包括:确定模块402、第二获取模块404。
确定模块402,用于根据车辆的起始位置信息和目标位置信息,确定车道级导航路线。
第二获取模块404,用于获取所述车辆的车道定位结果,根据所述导航路线和所述车道定位结果,为所述车辆进行车道级导航引导;其中,所述车道定位结果通过如上述实施例所述的定位装置获得。
本实施例的导航装置用于实现前述多个方法实施例中相应的导航方法,并具有相应的方法实施例的有益效果,在此不再赘述。此外,本实施例的导航装置中的各个模块的功能实现均可参照前述方法实施例中的相应部分的描述,在此亦不再赘述。
参照图5,示出了根据本发明实施例五的一种电子设备的结构示意图,本发明具体实施例并不对电子设备的具体实现做限定。
如图5所示,该电子设备可以包括:处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线(CommunicationsBus)508。
其中:
处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504,用于与其它电子设备或服务器进行通信。
处理器502,用于执行程序510,具体可以执行上述定位方法实施例中的相关步骤。
具体地,程序510可以包括程序代码,该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。智能设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器506,用于存放程序510。存储器506可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
在第一种实施方式中:
程序510具体可以用于使得处理器502执行以下操作:取车载视觉设备采集的车辆行驶道路的道路环境图像;基于所述道路环境图像,识别所述车载视觉设备所在的车辆的绝对车道定位结果,所述绝对车道定位结果包括:用于表征所述车辆在所述车辆行驶道路上所处车道的车道数和置信度,一帧道路环境图像对应一个绝对车道定位结果;基于所述道路环境图像,检测获得所述车辆在所述车辆行驶道路上的车道变换数据;当一帧道路环境图像对应的绝对车道定位结果的置信度大于或等于预设值时,将该帧道路环境图像对应的车道数确定为所述车辆的车道定位结果;当一帧道路环境图像对应的绝对车道定位结果的置信度小于所述预设值时,基于所述车道变换数据和该帧道路环境图像之前确定的历史车道定位结果,确定所述车辆的车道定位结果。
在一种可选的实施方式中,程序510还用于使得处理器502在基于所述道路环境图像,识别所述车载视觉设备所在的车辆的绝对车道定位结果时:对所述道路环境图像进行分类识别,确定所述车辆在所述车辆行驶道路上所处车道的车道数和置信度。
在一种可选的实施方式中,程序510还用于使得处理器502在对所述道路环境图像进行分类识别,确定所述车辆在所述车辆行驶道路上所处车道的车道数和置信度时:对所述道路环境图像进行分类识别,确定所述车辆在所述车辆行驶道路上所处车道的左数车道数和置信度,及,右数车道数和置信度。
在一种可选的实施方式中,程序510还用于使得处理器502在基于所述道路环境图像,检测获得所述车辆在所述车辆行驶道路上的车道变换数据时:对道路环境图像进行车道线检测,以获得所述车辆当前行驶车道的车道线检测结果;根据所述车道线检测结果,获得所述车辆在所述车辆行驶道路上的车道变换数据。
在一种可选的实施方式中,程序510还用于使得处理器502在所述车道线检测结果,获得所述车辆在所述车辆行驶道路上的车道变换数据时:对所述车道线检测结果进行截距分析,获得所述车辆在所述车辆行驶道路上的车道变换数据。
在一种可选的实施方式中,程序510还用于使得处理器502在基于所述车道变换数据和该帧道路环境图像之前确定的历史车道定位结果,确定所述车辆的车道定位结果时:从该帧道路环境图像之前确定出的历史车道定位结果中,确定置信度大于或等于预设的置信度阈值的历史车道定位结果作为基础车道定位结果,其中,用于确定所述历史车道定位结果的历史道路环境图像与该帧道路环境图像的采集时间差在预设的时长内;根据所述基础车道定位结果和所述车道变换数据,确定所述车辆的车道定位结果。
在一种可选的实施方式中,程序510还用于使得处理器502在根据所述基础车道定位结果和所述车道变换数据,确定所述车辆的车道定位结果时:若所述车道变换数据指示自所述基础车辆定位结果对应的定位时间至获取所述该帧道路环境图像时,所述车辆未进行车道变换,则将所述基础车辆定位结果确定为所述车辆的车道定位结果;若所述车道变换数据指示自所述基础车辆定位结果对应的定位时间至获取所述该帧道路环境图像时,所述车辆进行过车道变换,则以所述基础车道定位结果所指示的车道数为基准,根据所述车道变换数据所指示的车道变换方向和数量,确定所述车辆的车道定位结果。
在第二种实施方式中:
程序510具体可以用于使得处理器502执行以下操作:根据车辆的起始位置信息和目标位置信息,确定车道级导航路线;获取所述车辆的车道定位结果,根据所述导航路线和所述车道定位结果,为所述车辆进行车道级导航引导;其中,所述车道定位结果通过如第一种实施方式中所述的定位方法获得。
程序510中各步骤的具体实现可以参见上述定位方法实施例或导航方法实施例中的相应步骤和单元中对应的描述,在此不赘述。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程描述,在此不再赘述。
需要指出,根据实施的需要,可将本发明实施例中描述的各个部件/步骤拆分为更多部件/步骤,也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤,以实现本发明实施例的目的。
上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如,RAM、ROM、闪存等),当所述软件或计算机代码被计算机、处理器或硬件访问且执行时,实现在此描述的定位方法或导航方法。此外,当通用计算机访问用于实现在此示出的定位方法或导航方法的代码时,代码的执行将通用计算机转换为用于执行在此示出的定位方法或导航方法的专用计算机。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明实施例的范围。
以上实施方式仅用于说明本发明实施例,而并非对本发明实施例的限制,有关技术领域的普通技术人员,在不脱离本发明实施例的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明实施例的范畴,本发明实施例的专利保护范围应由权利要求限定。
Claims (12)
1.一种定位方法,包括:
获取车载视觉设备采集的车辆行驶道路的道路环境图像;
基于所述道路环境图像,识别所述车载视觉设备所在的车辆的绝对车道定位结果,所述绝对车道定位结果包括:用于表征所述车辆在所述车辆行驶道路上所处车道的车道数和置信度,一帧道路环境图像对应一个绝对车道定位结果;
基于所述道路环境图像,检测获得所述车辆在所述车辆行驶道路上的车道变换数据;
当一帧道路环境图像对应的绝对车道定位结果的置信度大于或等于预设值时,将该帧道路环境图像对应的车道数确定为所述车辆的车道定位结果;
当一帧道路环境图像对应的绝对车道定位结果的置信度小于所述预设值时,基于所述车道变换数据和该帧道路环境图像之前确定的历史车道定位结果,确定所述车辆的车道定位结果。
2.如权利要求1所述的方法,其中,所述基于所述道路环境图像,识别所述车载视觉设备所在的车辆的绝对车道定位结果,包括:
对所述道路环境图像进行分类识别,确定所述车辆在所述车辆行驶道路上所处车道的车道数和置信度。
3.如权利要求2所述的方法,其中,所述对所述道路环境图像进行分类识别,确定所述车辆在所述车辆行驶道路上所处车道的车道数和置信度,包括:
对所述道路环境图像进行分类识别,确定所述车辆在所述车辆行驶道路上所处车道的左数车道数和置信度,及,右数车道数和置信度。
4.如权利要求1所述的方法,其中,所述基于所述道路环境图像,检测获得所述车辆在所述车辆行驶道路上的车道变换数据,包括:
对道路环境图像进行车道线检测,以获得所述车辆行驶车道的车道线检测结果;
根据所述车道线检测结果,获得所述车辆在所述车辆行驶道路上的车道变换数据。
5.如权利要求4所述的方法,其中,所述根据所述车道线检测结果,获得所述车辆在所述车辆行驶道路上的车道变换数据,包括:
对所述车道线检测结果进行截距分析,获得所述车辆在所述车辆行驶道路上的车道变换数据。
6.如权利要求1-5任一项所述的方法,其中,所述基于所述车道变换数据和该帧道路环境图像之前确定的历史车道定位结果,确定所述车辆的车道定位结果,包括:
从该帧道路环境图像之前确定出的历史车道定位结果中,确定置信度大于或等于预设的置信度阈值的历史车道定位结果作为基础车道定位结果,其中,用于确定所述历史车道定位结果的历史道路环境图像与该帧道路环境图像的采集时间差在预设的时长内;
根据所述基础车道定位结果和所述车道变换数据,确定所述车辆的车道定位结果。
7.如权利要求6所述的方法,其中,所述根据所述基础车道定位结果和所述车道变换数据,确定所述车辆的车道定位结果,包括:
若所述车道变换数据指示自所述基础车辆定位结果对应的定位时间至获取所述该帧道路环境图像时,所述车辆未进行车道变换,则将所述基础车辆定位结果确定为所述车辆的车道定位结果;
若所述车道变换数据指示自所述基础车辆定位结果对应的定位时间至获取所述该帧道路环境图像时,所述车辆进行过车道变换,则以所述基础车道定位结果所指示的车道数为基准,根据所述车道变换数据所指示的车道变换方向和数量,确定所述车辆的车道定位结果。
8.一种导航方法,包括:
根据车辆的起点位置信息和目标位置信息,确定车道级导航路线;
获取所述车辆的车道定位结果,根据所述导航路线和所述车道定位结果,为所述车辆进行车道级导航引导;
其中,所述车道定位结果通过如权利要求1-7任一项所述的定位方法获得。
9.一种定位装置,包括:
第一获取模块,用于获取车载视觉设备采集的车辆行驶道路的道路环境图像;
识别模块,用于基于所述道路环境图像,识别所述车载视觉设备所在的车辆的绝对车道定位结果,所述绝对车道定位结果包括:用于表征所述车辆在所述车辆行驶道路上所处车道的车道数和置信度,一帧道路环境图像对应一个绝对车道定位结果;
检测模块,用于基于所述道路环境图像,检测获得所述车辆在所述车辆行驶道路上的车道变换数据;
定位模块,用于当一帧道路环境图像对应的绝对车道定位结果的置信度大于或等于预设值时,将该帧道路环境图像对应的车道数确定为所述车辆的车道定位结果;当一帧道路环境图像对应的绝对车道定位结果的置信度小于所述预设值时,基于所述车道变换数据和该帧道路环境图像之前确定的历史车道定位结果,确定所述车辆的车道定位结果。
10.一种导航装置,包括:
确定模块,用于根据车辆的起点位置信息和目标位置信息,确定车道级导航路线;
第二获取模块,用于获取所述车辆的车道定位结果,根据所述导航路线和所述车道定位结果,为所述车辆进行车道级导航引导;
其中,所述车道定位结果通过如权利要求9所述的定位装置获得。
11.一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的定位方法对应的操作,或者,所述可执行指令使所述处理器执行如权利要求8所述的导航方法对应的操作。
12.一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-7中任一所述的定位方法,或者,实现如权利要求8所述的导航方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010962427.5A CN114264310B (zh) | 2020-09-14 | 2020-09-14 | 定位及导航方法、装置、电子设备、计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010962427.5A CN114264310B (zh) | 2020-09-14 | 2020-09-14 | 定位及导航方法、装置、电子设备、计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114264310A true CN114264310A (zh) | 2022-04-01 |
CN114264310B CN114264310B (zh) | 2024-06-21 |
Family
ID=80824079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010962427.5A Active CN114264310B (zh) | 2020-09-14 | 2020-09-14 | 定位及导航方法、装置、电子设备、计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114264310B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115597593A (zh) * | 2022-09-22 | 2023-01-13 | 长沙谱蓝网络科技有限公司(Cn) | 基于高精地图的实时导航方法及装置 |
CN115830562A (zh) * | 2022-12-12 | 2023-03-21 | 昆易电子科技(上海)有限公司 | 车道信息的确定方法、计算机设备及介质 |
Citations (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130106622A1 (en) * | 2011-10-28 | 2013-05-02 | Xerox Corporation | High occupancy vehicle lane enforcement system using an information system for reduced false positives |
US20140236482A1 (en) * | 2013-02-19 | 2014-08-21 | Navteq B.V. | Path curve confidence factors |
US20140379164A1 (en) * | 2013-06-20 | 2014-12-25 | Ford Global Technologies, Llc | Lane monitoring with electronic horizon |
US20160167582A1 (en) * | 2014-12-16 | 2016-06-16 | Here Global B.V. | Learning Lanes From Vehicle Probes |
JP2016173711A (ja) * | 2015-03-17 | 2016-09-29 | 株式会社日本自動車部品総合研究所 | 走行区画線認識装置 |
US20160357262A1 (en) * | 2015-06-05 | 2016-12-08 | Arafat M.A. ANSARI | Smart vehicle |
US9630611B1 (en) * | 2016-02-03 | 2017-04-25 | Toyota Motor Engineering & Manufacturing North America, Inc. | System and method for acceleration event prediction |
CN107792077A (zh) * | 2016-08-30 | 2018-03-13 | 沃尔沃汽车公司 | 用于确认道路部段是否适合于自主车辆驾驶的方法和系统 |
CN108256446A (zh) * | 2017-12-29 | 2018-07-06 | 百度在线网络技术(北京)有限公司 | 用于确定道路中的车道线的方法、装置和设备 |
US20180329418A1 (en) * | 2016-11-22 | 2018-11-15 | Dispatch Inc. | Methods for autonomously navigating across uncontrolled and controlled intersections |
US20180326982A1 (en) * | 2016-11-28 | 2018-11-15 | drive.ai Inc. | Method for influencing entities at a roadway intersection |
CN108875657A (zh) * | 2018-06-26 | 2018-11-23 | 北京茵沃汽车科技有限公司 | 一种车道线检测方法 |
US20180348771A1 (en) * | 2018-07-26 | 2018-12-06 | GM Global Technology Operations LLC | Stop contingency planning during autonomous vehicle operation |
CN109117825A (zh) * | 2018-09-04 | 2019-01-01 | 百度在线网络技术(北京)有限公司 | 车道线处理方法和装置 |
CN109147368A (zh) * | 2018-08-22 | 2019-01-04 | 北京市商汤科技开发有限公司 | 基于车道线的智能驾驶控制方法装置与电子设备 |
KR20190007638A (ko) * | 2017-07-13 | 2019-01-23 | 현대자동차주식회사 | 차량, 및 그 제어방법 |
US20190065866A1 (en) * | 2017-08-22 | 2019-02-28 | TuSimple | Deep module and fitting module system and method for motion-based lane detection with multiple sensors |
US20190147736A1 (en) * | 2017-11-16 | 2019-05-16 | Here Global B.V. | Method and apparatus for publishing road event messages |
CN109903346A (zh) * | 2019-05-13 | 2019-06-18 | 长沙智能驾驶研究院有限公司 | 相机姿态检测方法、装置、设备及存储介质 |
CN110174113A (zh) * | 2019-04-28 | 2019-08-27 | 福瑞泰克智能系统有限公司 | 一种车辆行驶车道的定位方法、装置及终端 |
US20190295003A1 (en) * | 2018-03-22 | 2019-09-26 | Here Global B.V. | Method, apparatus, and system for in-vehicle data selection for feature detection model creation and maintenance |
CN110503009A (zh) * | 2019-07-31 | 2019-11-26 | 华为技术有限公司 | 车道线跟踪方法及相关产品 |
CN110567480A (zh) * | 2019-09-12 | 2019-12-13 | 北京百度网讯科技有限公司 | 车辆定位的优化方法、装置、设备及存储介质 |
US20190384312A1 (en) * | 2017-07-11 | 2019-12-19 | Waymo Llc | Methods and Systems for Providing Remote Assistance via Pre-Stored Image Data |
CN110979346A (zh) * | 2019-11-29 | 2020-04-10 | 北京百度网讯科技有限公司 | 确定车辆所处车道的方法、装置及设备 |
CN111091037A (zh) * | 2018-10-23 | 2020-05-01 | 三星电子株式会社 | 用于确定驾驶信息的方法和设备 |
CN111383477A (zh) * | 2018-12-26 | 2020-07-07 | 丰田自动车株式会社 | 信息提示装置 |
CN111383444A (zh) * | 2018-12-28 | 2020-07-07 | 腾讯大地通途(北京)科技有限公司 | 预测路况状态的方法、装置、服务器及存储介质 |
CN111460861A (zh) * | 2019-01-21 | 2020-07-28 | 阿里巴巴集团控股有限公司 | 一种道路交通标志识别方法、装置和识别设备 |
WO2020157408A1 (fr) * | 2019-01-31 | 2020-08-06 | Psa Automobiles Sa | Procédé de gestion d'une fonctionnalité d'aide au maintien dans la voie fournie par un système d'aide à la conduite d'un véhicule terrestre à moteur |
US20200265245A1 (en) * | 2019-02-19 | 2020-08-20 | Chongqing Jinkang New Energy Automobile Co., Ltd. | Method and system for automatic generation of lane centerline |
-
2020
- 2020-09-14 CN CN202010962427.5A patent/CN114264310B/zh active Active
Patent Citations (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130106622A1 (en) * | 2011-10-28 | 2013-05-02 | Xerox Corporation | High occupancy vehicle lane enforcement system using an information system for reduced false positives |
US20140236482A1 (en) * | 2013-02-19 | 2014-08-21 | Navteq B.V. | Path curve confidence factors |
US20140379164A1 (en) * | 2013-06-20 | 2014-12-25 | Ford Global Technologies, Llc | Lane monitoring with electronic horizon |
US20160167582A1 (en) * | 2014-12-16 | 2016-06-16 | Here Global B.V. | Learning Lanes From Vehicle Probes |
JP2016173711A (ja) * | 2015-03-17 | 2016-09-29 | 株式会社日本自動車部品総合研究所 | 走行区画線認識装置 |
US20160357262A1 (en) * | 2015-06-05 | 2016-12-08 | Arafat M.A. ANSARI | Smart vehicle |
US9630611B1 (en) * | 2016-02-03 | 2017-04-25 | Toyota Motor Engineering & Manufacturing North America, Inc. | System and method for acceleration event prediction |
CN107792077A (zh) * | 2016-08-30 | 2018-03-13 | 沃尔沃汽车公司 | 用于确认道路部段是否适合于自主车辆驾驶的方法和系统 |
US20180329418A1 (en) * | 2016-11-22 | 2018-11-15 | Dispatch Inc. | Methods for autonomously navigating across uncontrolled and controlled intersections |
US20180326982A1 (en) * | 2016-11-28 | 2018-11-15 | drive.ai Inc. | Method for influencing entities at a roadway intersection |
US20190384312A1 (en) * | 2017-07-11 | 2019-12-19 | Waymo Llc | Methods and Systems for Providing Remote Assistance via Pre-Stored Image Data |
KR20190007638A (ko) * | 2017-07-13 | 2019-01-23 | 현대자동차주식회사 | 차량, 및 그 제어방법 |
US20190065866A1 (en) * | 2017-08-22 | 2019-02-28 | TuSimple | Deep module and fitting module system and method for motion-based lane detection with multiple sensors |
US20190147736A1 (en) * | 2017-11-16 | 2019-05-16 | Here Global B.V. | Method and apparatus for publishing road event messages |
CN108256446A (zh) * | 2017-12-29 | 2018-07-06 | 百度在线网络技术(北京)有限公司 | 用于确定道路中的车道线的方法、装置和设备 |
US20190295003A1 (en) * | 2018-03-22 | 2019-09-26 | Here Global B.V. | Method, apparatus, and system for in-vehicle data selection for feature detection model creation and maintenance |
CN108875657A (zh) * | 2018-06-26 | 2018-11-23 | 北京茵沃汽车科技有限公司 | 一种车道线检测方法 |
US20180348771A1 (en) * | 2018-07-26 | 2018-12-06 | GM Global Technology Operations LLC | Stop contingency planning during autonomous vehicle operation |
CN109147368A (zh) * | 2018-08-22 | 2019-01-04 | 北京市商汤科技开发有限公司 | 基于车道线的智能驾驶控制方法装置与电子设备 |
CN109117825A (zh) * | 2018-09-04 | 2019-01-01 | 百度在线网络技术(北京)有限公司 | 车道线处理方法和装置 |
CN111091037A (zh) * | 2018-10-23 | 2020-05-01 | 三星电子株式会社 | 用于确定驾驶信息的方法和设备 |
CN111383477A (zh) * | 2018-12-26 | 2020-07-07 | 丰田自动车株式会社 | 信息提示装置 |
CN111383444A (zh) * | 2018-12-28 | 2020-07-07 | 腾讯大地通途(北京)科技有限公司 | 预测路况状态的方法、装置、服务器及存储介质 |
CN111460861A (zh) * | 2019-01-21 | 2020-07-28 | 阿里巴巴集团控股有限公司 | 一种道路交通标志识别方法、装置和识别设备 |
WO2020157408A1 (fr) * | 2019-01-31 | 2020-08-06 | Psa Automobiles Sa | Procédé de gestion d'une fonctionnalité d'aide au maintien dans la voie fournie par un système d'aide à la conduite d'un véhicule terrestre à moteur |
US20200265245A1 (en) * | 2019-02-19 | 2020-08-20 | Chongqing Jinkang New Energy Automobile Co., Ltd. | Method and system for automatic generation of lane centerline |
CN110174113A (zh) * | 2019-04-28 | 2019-08-27 | 福瑞泰克智能系统有限公司 | 一种车辆行驶车道的定位方法、装置及终端 |
CN109903346A (zh) * | 2019-05-13 | 2019-06-18 | 长沙智能驾驶研究院有限公司 | 相机姿态检测方法、装置、设备及存储介质 |
CN110503009A (zh) * | 2019-07-31 | 2019-11-26 | 华为技术有限公司 | 车道线跟踪方法及相关产品 |
CN110567480A (zh) * | 2019-09-12 | 2019-12-13 | 北京百度网讯科技有限公司 | 车辆定位的优化方法、装置、设备及存储介质 |
CN110979346A (zh) * | 2019-11-29 | 2020-04-10 | 北京百度网讯科技有限公司 | 确定车辆所处车道的方法、装置及设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115597593A (zh) * | 2022-09-22 | 2023-01-13 | 长沙谱蓝网络科技有限公司(Cn) | 基于高精地图的实时导航方法及装置 |
CN115830562A (zh) * | 2022-12-12 | 2023-03-21 | 昆易电子科技(上海)有限公司 | 车道信息的确定方法、计算机设备及介质 |
CN115830562B (zh) * | 2022-12-12 | 2024-05-24 | 昆易电子科技(上海)有限公司 | 车道信息的确定方法、计算机设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114264310B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180224296A1 (en) | Image processing system and image processing method | |
JP7310313B2 (ja) | 位置補正サーバ、位置管理装置、移動体の位置管理システム及び方法、位置情報の補正方法、コンピュータプログラム、車載装置並びに車両 | |
US11189162B2 (en) | Information processing system, program, and information processing method | |
CN111815742A (zh) | 一种车道线生成方法及系统 | |
US10643466B2 (en) | Vehicle search system, vehicle search method, and vehicle used therefor | |
CN110388929B (zh) | 导航地图更新方法、装置及系统 | |
CN114264310B (zh) | 定位及导航方法、装置、电子设备、计算机存储介质 | |
CN110998684A (zh) | 图像收集系统、图像收集方法、图像收集装置、记录介质、以及车辆用通信装置 | |
CN112926575A (zh) | 交通事故识别方法、装置、电子设备和介质 | |
US11938945B2 (en) | Information processing system, program, and information processing method | |
CN113112524A (zh) | 自动驾驶中移动对象的轨迹预测方法、装置及计算设备 | |
CN111183464B (zh) | 基于车辆轨迹数据估计信号交叉路口的饱和流量的系统和方法 | |
JP6244129B2 (ja) | 車載器 | |
CN110784680B (zh) | 一种车辆定位方法、装置、车辆和存储介质 | |
US20220388506A1 (en) | Control apparatus, movable object, control method, and computer-readable storage medium | |
US20210231459A1 (en) | Apparatus and method for collecting data for map generation | |
CN114333414A (zh) | 停车让行检测装置、停车让行检测系统以及记录介质 | |
US20220254140A1 (en) | Method and System for Identifying Object | |
JP7115872B2 (ja) | ドライブレコーダ、及び画像記録方法 | |
JP2017054424A (ja) | 映像基準点決定システム、映像基準点決定方法および映像基準点決定プログラム | |
US20220136859A1 (en) | Apparatus and method for updating map | |
WO2020073272A1 (en) | Snapshot image to train an event detector | |
WO2020073271A1 (en) | Snapshot image of traffic scenario | |
WO2020073270A1 (en) | Snapshot image of traffic scenario | |
WO2020073268A1 (en) | Snapshot image to train roadmodel |
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 |