CN114445597B - 三维车道线生成方法、装置、电子设备和计算机可读介质 - Google Patents

三维车道线生成方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN114445597B
CN114445597B CN202210106520.5A CN202210106520A CN114445597B CN 114445597 B CN114445597 B CN 114445597B CN 202210106520 A CN202210106520 A CN 202210106520A CN 114445597 B CN114445597 B CN 114445597B
Authority
CN
China
Prior art keywords
key point
surface equation
target
coordinate set
initial
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210106520.5A
Other languages
English (en)
Other versions
CN114445597A (zh
Inventor
胡禹超
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.)
Heduo Technology Guangzhou Co ltd
Original Assignee
HoloMatic Technology Beijing 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 HoloMatic Technology Beijing Co Ltd filed Critical HoloMatic Technology Beijing Co Ltd
Priority to CN202210106520.5A priority Critical patent/CN114445597B/zh
Publication of CN114445597A publication Critical patent/CN114445597A/zh
Application granted granted Critical
Publication of CN114445597B publication Critical patent/CN114445597B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/30—Polynomial surface description
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Processing Or Creating Images (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本公开的实施例公开了三维车道线生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取道路图像；对上述道路图像进行关键点提取处理，得到关键点坐标组集合；基于上述关键点坐标组集合和初始曲面方程，生成目标曲面方程；基于上述目标曲面方程，对上述关键点坐标组集合中的关键点坐标进行矫正，得到目标关键点坐标组集合；利用上述目标关键点坐标组集合，生成三维车道线方程组。该实施方式可以提高生成的三维车道线方程的准确度。

Description

三维车道线生成方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及三维车道线生成方法、装置、电子设备和计算机可读介质。
背景技术
三维车道线的生成对自动驾驶车辆的稳定安全行驶具有重要意义。目前，在生成三维车道线时，通常采用的方式为：确定车载相机的对地高度和俯仰角，通过逆透视变换的方式生成三维车道线；或利用神经网络的深度估计方法生成三维车道线。
然而，当采用上述方式进行三维车道线生成时，经常会存在如下技术问题：
第一，由于路面属于不规则曲面，通过神经网络对道路图像中路面区域的三维车道线深度估计不足，不能较好的贴合路面所在的曲面，从而，导致生成的三维车道线的误差较大；
第二，由于车辆行驶时加速减速等情况产生的惯性、以及路面不平整出现的车辆颠簸情况，导致所确定的对地高度和俯仰角存在较大的偏差，从而，致使生成三维车道线的准确度降低。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了三维车道线生成方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种三维车道线生成方法，该方法包括：获取道路图像；对上述道路图像进行关键点提取处理，得到关键点坐标组集合；基于上述关键点坐标组集合和初始曲面方程，生成目标曲面方程；基于上述目标曲面方程，对上述关键点坐标组集合中的关键点坐标进行矫正，得到目标关键点坐标组集合；利用上述目标关键点坐标组集合，生成三维车道线方程组。
第二方面，本公开的一些实施例提供了一种三维车道线生成装置，该装置包括：获取单元，被配置成获取道路图像；提取单元，被配置成对上述道路图像进行关键点提取处理，得到关键点坐标组集合；第一生成单元，被配置成基于上述关键点坐标组集合和初始曲面方程，生成目标曲面方程；矫正单元，被配置成基于上述目标曲面方程，对上述关键点坐标组集合中的关键点坐标进行矫正，得到目标关键点坐标组集合；第二生成单元，被配置成利用上述目标关键点坐标组集合，生成三维车道线方程组。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的三维车道线生成方法，可以降低生成三维车道线的误差，提高准确性。具体来说，造成生成三维车道线的准确度较低的原因在于：由于路面属于不规则曲面，通过神经网络对道路图像中路面区域的三维车道线深度估计不足，不能较好的贴合路面所在的曲面。基于此，本公开的一些实施例的三维车道线生成方法，首先，获取道路图像。然后，对上述道路图像进行关键点提取处理，得到关键点坐标组集合。之后，基于上述关键点坐标组集合和初始曲面方程，生成目标曲面方程。通过利用初始曲面方程生成目标曲面方程，可以提高目标曲面方程对路面所在曲面表征的准确度。接着，基于上述目标曲面方程，对上述关键点坐标组集合中的关键点坐标进行矫正，得到目标关键点坐标组集合，通过矫正可以提高目标关键点坐标的准确度，使目标关键点坐标可以更加贴合目标曲面方程所在曲面。最后，利用上述目标关键点坐标组集合，生成三维车道线方程组。从而，可以利用更加准确的目标关键点坐标组集合，进行三维车道线方程的生成以降低误差。由此，可以提高生成的三维车道线方程的准确度。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的三维车道线生成方法的一个应用场景的示意图；
图2是根据本公开的三维车道线生成方法的一些实施例的流程图；
图3是根据本公开的三维车道线生成方法的另一些实施例的流程图；
图4是根据本公开的三维车道线生成装置的一些实施例的结构示意图；
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的三维车道线生成方法的一个应用场景的示意图。
在图1的应用场景中，首先，计算设备101可以获取道路图像102；接着，计算设备101可以对上述道路图像102进行关键点提取处理，得到关键点坐标组集合103；然后，计算设备101可以基于上述关键点坐标组集合103和初始曲面方程104，生成目标曲面方程105；之后，计算设备101可以基于上述目标曲面方程105，对上述关键点坐标组集合103中的关键点坐标进行矫正，得到目标关键点坐标组集合106；最后，计算设备101可以利用上述目标关键点坐标组集合106，生成三维车道线方程组107。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
继续参考图2，示出了根据本公开的三维车道线生成方法的一些实施例的流程200。该三维车道线生成方法的流程200，包括以下步骤：
步骤201，获取道路图像。
在一些实施例中，三维车道线生成方法的执行主体(如图1所示的计算设备101)可以通过有线的方式或者无线的方式获取道路图像。其中，上述道路图像可以是当前车辆中的单目相机拍摄的车辆正前方的环境图像。
步骤202，对道路图像进行关键点提取处理，得到关键点坐标组集合。
在一些实施例中，上述执行主体可以对上述道路图像进行关键点提取处理，得到关键点坐标组集合。其中，关键点坐标可以是从上述道路图像中提取的角点坐标。关键点提取处理方式可以包括但不限于以下至少一项：SIFT(Scale-invariant FeatureTransform，尺度不变特征转换)算法、基于模板的角点检测算法。每个关键点坐标组中的各个关键点坐标可以是针对道路图像某一区域或车道线所在的连续区域的采样点。
步骤203，基于关键点坐标组集合和初始曲面方程，生成目标曲面方程。
在一些实施例中，上述执行主体可以基于上述关键点坐标组集合和初始曲面方程，生成目标曲面方程。其中，上述初始曲面方程可以是预设的曲面方程，也可以是上述执行主体根据上一帧道路图像调整后的曲面方程。该初始曲面方程可以用于表征在上一帧道路图像对应的时刻、当前车辆所在的附近地面。上述初始曲面方程所在坐标系可以是当前车辆上车载相机的相机坐标系。该相机坐标系的横轴和竖轴可以在相机正下方的地面的切平面上，以车辆朝向为基础，横轴向右，竖轴向前，纵轴向下建立的。
可以通过以下步骤生成目标曲面方程：
第一步，通过预训练的网络模型，识别出关键点坐标组集合中每个关键点坐标组中每个关键点的深度值。其中，深度值可以表示二维的关键点坐标在相机坐标系中的竖轴方向上的数值。上述网络模型可以包括但不限于以下至少一项：Resnet(ResidualNetwork，残差神经网络)模型、VGG(Visual Geometry Group Network，卷积神经网络)模型和GoogLeNet(深度神经网络)模型等。
第二步，对于每个关键点坐标，将深度值确定为关键点坐标的竖坐标值，得到三维关键点坐标。
第三步，对各个三维关键点坐标进行曲面拟合，得到拟合曲面方程。其中，可以通过最小二乘法进行曲面拟合。
第四步，对上述拟合曲面方程与上述初始曲面方程进行曲面拟合，得到目标曲面方程。
步骤204，基于目标曲面方程，对关键点坐标组集合中的关键点坐标进行矫正，得到目标关键点坐标组集合。
在一些实施例中，上述执行主体可以基于上述目标曲面方程，对上述关键点坐标组集合中的关键点坐标进行矫正，得到目标关键点坐标组集合。其中，可以将关键点坐标包括的横坐标值和纵坐标值输入至上述目标曲面方程，得到关键点竖坐标值。其次，可以将关键点坐标的横坐标值、纵坐标值和关键点竖坐标值组合为目标关键点坐标。使得该目标关键点坐标处于上述目标曲面方程对应的曲面。从而，可以完成对上述关键点坐标组集合中的关键点坐标进行矫正，得到目标关键点坐标组集合。
步骤205，利用目标关键点坐标组集合，生成三维车道线方程组。
在一些实施例中，上述执行主体可以利用上述目标关键点坐标组集合，生成三维车道线方程组。其中，可以对上述目标关键点坐标组集合中每个目标关键点坐标组中的各个目标关键点坐标进行曲线拟合，以生成三维车道线方程。由此，可以得到三维车道线方程组。
可选的，上述执行主体还可以将上述三维车道线方程组发送至显示终端以供车道线显示。从而，可以为用户显示更加准确的车道线。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的三维车道线生成方法，可以降低生成三维车道线的误差，提高准确性。具体来说，造成生成三维车道线的准确度较低的原因在于：由于路面属于不规则曲面，通过神经网络对道路图像中路面区域的三维车道线深度估计不足，不能较好的贴合路面所在的曲面。基于此，本公开的一些实施例的三维车道线生成方法，首先，获取道路图像。然后，对上述道路图像进行关键点提取处理，得到关键点坐标组集合。之后，基于上述关键点坐标组集合和初始曲面方程，生成目标曲面方程。通过利用初始曲面方程生成目标曲面方程，可以提高目标曲面方程对路面所在曲面表征的准确度。接着，基于上述目标曲面方程，对上述关键点坐标组集合中的关键点坐标进行矫正，得到目标关键点坐标组集合，通过矫正可以提高目标关键点坐标的准确度，使目标关键点坐标可以更加贴合目标曲面方程所在曲面。最后，利用上述目标关键点坐标组集合，生成三维车道线方程组。从而，可以利用更加准确的目标关键点坐标组集合，进行三维车道线方程的生成以降低误差。由此，可以提高生成的三维车道线方程的准确度。
进一步参考图3，其示出了三维车道线生成方法的另一些实施例的流程300。该三维车道线生成方法的流程300，包括以下步骤：
步骤301，获取道路图像。
在一些实施例中，步骤301的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤201，在此不再赘述。
步骤302，对道路图像进行图像截取，得到截取道路图像。
在一些实施例中，三维车道线生成方法的执行主体(如图1所示的计算设备101)可以对上述道路图像进行图像截取，得到截取道路图像。其中，可以根据预设的分割比例对道路图像进行图像截取。例如，分割比例可以为四分之一。那么，可以将道路图像上方的四份之一部分截取掉。另外，还可以通过预设的场景识别模型，对道路图像进行场景识别，以确定道路图像中道路所在区域的水平边界坐标。其次，可以按照该水平边界坐标，将道路图像上方不存在道路的部分图像截取掉。得到截取道路图像。由此，可以减少道路之外的图像区域对三维车道线生成的影响，以提高其生成的准确度。
步骤303，对截取道路图像进行关键点提取，得到关键点坐标组集合。
在一些实施例中，步骤303的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤202，在此不再赘述。
步骤304，将关键点坐标组集合中每个提取坐标组中的各个提取坐标反投影至初始曲面方程所在曲面以生成初始坐标组，得到初始坐标组集合。
在一些实施例中，上述执行主体可以将上述关键点坐标组集合中每个提取坐标组中的各个提取坐标反投影至初始曲面方程所在曲面以生成初始坐标组，得到初始坐标组集合。其中，可以利用预设的反投影矩阵将关键点坐标组集合中每个提取坐标组中的各个提取坐标反投影至初始曲面方程所在曲面以生成初始坐标组，得到初始坐标组集合。
作为示例，首先可以对每个关键点坐标组中的各个关键点坐标进行拟合，得到拟合曲线。然后，可以将该拟合曲线反投影至上述初始曲面方程所在曲面，得到反投影曲线。最后，可以将反投影曲线上与关键点坐标横坐标和纵坐标对应位置的点确定为初始坐标。
步骤305，基于初始曲面方程，生成初始状态向量。
在一些实施例中，上述执行主体可以基于上述初始曲面方程，生成初始状态向量。其中，初始曲面方程的表达式可以如下式：
Figure BDA0003493650970000081
其中，P(s)表示初始曲面方程。S表示上述关键点坐标组集合中关键点坐标在初始曲面方程所在曲面上的投影坐标，即由横坐标值、纵坐标值和竖坐标值组成的三维坐标。x表示该投影坐标的横坐标值。y表示该投影坐标的纵坐标值。Z表示该投影坐标的竖坐标值。A表示初始曲面方程的系数矩阵。B表示初始曲面方程的系数向量。c表示常数项。a1、a2、a3表示系数矩阵中的数据。b1、b2表示系数向量中的数据。T表示矩阵的转置。
具体的，初始状态向量可以是由系数矩阵和系数向量中的数据以及初始曲面方程常数项构成。例如：M＝[c，b1，b2，a1，a2，a3]。其中，M可以表示初始状态向量。
步骤306，确定当前车辆对应的相对旋转矩阵和相对位移向量。
在一些实施例中，上述执行主体可以从内存中获取上一帧道路图像对应的历史车辆位姿矩阵。然后，可以获取车载测量设备(例如，惯性测量单元等)生成的当前时刻的当前车辆位姿矩阵。最后，可以将历史车辆位姿矩阵与当前车辆位姿矩阵中旋转矩阵的变化量确定为相对旋转矩阵。将历史车辆位姿矩阵与当前车辆位姿矩阵中位移向量的变化量确定为相对位移向量。
步骤307，基于相对旋转矩阵和相对位移向量，生成相对状态矩阵。
在一些实施例中，上述执行主体基于上述相对旋转矩阵和上述相对位移向量，生成相对状态矩阵。其中，可以通过以下公式生成相对状态矩阵：
Figure BDA0003493650970000091
其中，ΔM表示相对状态矩阵。τ表示相对位移向量(例如，3×1的向量)。τ1、τ2分别表示相对位移向量中的第一行、第二行数据。R表示相对旋转矩阵。R1，1表示相对旋转矩阵中第一行第一列的数据。R1，2表示相对旋转矩阵中第一行第二列的数据。R2，1表示相对旋转矩阵中第二行第一列的数据。R2，2表示相对旋转矩阵中第二行第二列的数据。
步骤308，基于关键点坐标组集合、初始坐标组集合、初始状态向量和相对状态矩阵，生成目标曲面方程。
在一些实施例中，上述执行主体可以基于上述关键点坐标组集合、上述初始坐标组集合、上述初始状态向量和上述相对状态矩阵，通过各种方式生成目标曲面方程。
在一些实施例的一些可选的实现方式中，上述执行主体基于上述关键点坐标组集合、上述初始坐标组集合、上述初始状态向量和上述相对状态矩阵，生成目标曲面方程，可以包括以下步骤：
第一步，基于上述初始曲面方程，生成目标参数。其中，首先可以确定当前车辆在当前时刻与上一帧道路图像对应时刻之间的角速度变化量。然后，可以将上述角速度变化量输入至预设的转换方程，得到上述目标参数。转换方程可以是直线方程也可以是曲线方程。该转换方程因变量的取值范围可以是[0，1]。另外，角速度变化量可以与上述目标参数成反比。角速度变化量可以用于表征当前车辆的颠簸程度。
第二步，基于上述关键点坐标组集合、上述初始坐标组集合、上述目标参数、上述初始状态向量、上述相对状态矩阵、预设约束条件、预设的方向协方差值和位姿协方差值，生成目标曲面方程。其中，可以通过以下公式生成目标曲面方程：
Figure BDA0003493650970000101
其中，E、F表示转换参数，用于缩短公式长度。i表示序号。ei表示上述初始坐标组集合中第i个初始坐标从目标曲面方程所在曲面投影至图像坐标系的误差向量。∑-1表示预设的坐标协方差矩阵的逆。
Figure BDA0003493650970000111
表示上述关键点坐标组集合中第i个关键点坐标的误差矩阵的转置。δ表示状态转移误差矩阵，可以用于表征当前时刻的状态矩阵与上一帧道路图像对应时刻的历史状态矩阵之间状态转移的误差。
Figure BDA0003493650970000112
表示针对状态转移矩阵预设的状态误差协方差矩阵的逆，可以用于限定初始曲面方程在优化转移至目标曲面方程后的误差满足高斯分布，及所有关键点坐标处于目标曲面方程所在曲面。ev表示运动方向误差矩阵。
Figure BDA0003493650970000113
表示预设的运动方向误差协方差矩阵的逆，可以用于限定当前车辆运动方向与所在地面方向垂直。
Figure BDA0003493650970000114
表示运动方向误差矩阵的转置。ez表示竖轴误差向量，可以用于表征当前车辆的车辆坐标系中的竖轴方向(即，以车辆后轴中心为原点与车辆方向重合的方向)与目标曲面方程的梯度方向一致。
Figure BDA0003493650970000115
表示预设的竖轴误差协方差矩阵的逆，可以用于约束当前车辆的车辆坐标系中的竖轴方向与目标曲面方程的梯度方向，使得方向一致。
Figure BDA0003493650970000116
表示竖轴误差矩阵的转置。w表示初始坐标组集合中初始坐标投影至道路图像所在坐标系的齐次坐标。wi表示初始坐标组集合中第i个初始坐标投影至道路图像所在坐标系的齐次坐标。()3表示取括号内向量的第3个元素。()1：2表示取括号内向量的第1个到第2个元素。()1∶3表示取括号内向量的第1个到第3个元素。K表示车载相机的内参矩阵。B表示初始曲面方程所在坐标系与当前车辆相机坐标系之间的坐标转换矩阵。S表示上述关键点坐标组集合中关键点坐标在初始曲面方程所在曲面上的投影坐标，即由横坐标值、纵坐标值和竖坐标值组成的三维坐标。si表示上述关键点坐标组集合中第i个关键点坐标在目标曲面方程所在曲面上的投影坐标。u表示关键点坐标组集合中第i个关键点坐标的横标值。v表示关键点坐标组集合中第i个关键点坐标的纵标值。∑p表示初始坐标投影误差向量，可以用于表征初始坐标从目标曲面方程所在曲面投影至图像坐标系的误差向量。Mt表示上述目标曲面方程的参数构成的当前状态向量。Mt-1表示上述初始状态向量。V表示车辆运动方向的方向向量，用于表征当前车辆在目标曲面方程所在坐标系中的运动方向。
Figure BDA0003493650970000121
表示上述初始曲面方程在坐标系中梯度向量。()×表示叉乘矩阵。
具体的，上述坐标协方差矩阵可以用于表征生成关键点坐标时的误差的不确定度，误差值越大，不确定度越大。而协方差矩阵的逆则表征误差的确定度，误差值越大，确定度越大，不确定度越小。因此，通过引入坐标协方差矩阵的逆以便降低生成关键点坐标时的误差所带来的影响。可以通过非线性优化方法对上述公式进行求解，在求解过程中调整关键点坐标组集合中关键点坐标在初始曲面方程所在曲面上的投影坐标。使其满足关键点投影误差和状态转移误差满足高斯分布，竖轴误差和运动方向误差趋近于零等条件。从而，可以极大地减少各项误差，提高生成目标曲面方程的准确度。
上述公式及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“由于车辆行驶时加速减速等情况产生的惯性、以及路面不平整出现的车辆颠簸情况，导致所确定的对地高度和俯仰角存在较大的偏差，从而，致使生成三维车道线的准确度降低”。首先，通过上述第一个公式，确定曲面方程表达式。通过曲面方程表达车辆附近的地面，可以更加准确的表征路面的不平整状态，以及更加贴合路面所在曲面，提高特征点的三维表达能力。接着，通过上述第二个公式，可以确定道路图像与上一帧道路图像之间当前车辆的状态变化情况。然后，通过上一帧道路图像对应的初始曲面方程和状态变化情况生成目标曲面方程，可以提高目标曲面方程的连续性。接着，通过上述第三个公式，以及引入关键点投影误差向量、状态转移误差矩阵、竖轴误差矩阵和运动方向误差矩阵可以用于消除关键点坐标投影至目标曲面方程所在平面后的各项误差，极大的避免惯性的影响、对地高度和俯仰角之间的偏差。由此，可以提高目标曲面方程的准确度。进而，可以提高生成的三维车道线的准确度。
步骤309，基于目标曲面方程，对关键点坐标组集合中的关键点坐标进行矫正，得到目标关键点坐标组集合。
在一些实施例中，上述执行主体可以基于上述目标曲面方程，对上述关键点坐标组集合中的关键点坐标进行矫正，通过各种方式得到目标关键点坐标组集合。
在一些实施例的一些可选的实现方式中，上述执行主体基于上述目标曲面方程，对上述关键点坐标组集合中的关键点坐标进行矫正，得到目标关键点坐标组集合，可以包括以下步骤：
第一步，基于上述关键点坐标组集合，生成待矫正坐标组集合。其中，可以对上述关键点坐标组集合中每个关键点坐标组中的各个关键点坐标进行车道线坐标点提取。可以通过但不限于以下方法进行车道线坐标点提取：UFLD(Ultra Fast Structure-aware DeepLane Detection，车道线快速检测)算法，LaneNet(多分支车道线检测)网络等。待矫正坐标可以是道路图像中车道线区域的坐标。待矫正坐标组可以表征道路图像中一个连续车道线区域内的所有特征点。
可选的，还可以直接利用上述车道线坐标提取方法，从上述道路图像中提取出带矫正坐标组集合。
第二步，将上述待矫正坐标组集合中每个待矫正坐标组中的各个待矫正坐标反投影至上述目标曲面方程所在曲面以生成目标关键点坐标组，得到目标关键点坐标组集合。由此，可以完成对上述关键点坐标组集合中的关键点坐标进行矫正。实践中，上述目标关键点坐标组集合中的目标关键点坐标可以是上述目标曲面方程所在曲面的三维坐标。
步骤310，利用目标关键点坐标组集合，生成三维车道线方程组。
在一些实施例中，步骤310的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤205，在此不再赘述。
从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的三维车道线生成方法的流程300体现了生成目标曲面方程和目标关键点坐标组集合的步骤。首先，通过曲面方程表达车辆附近的地面，可以更加准确的表征路面的不平整状态，以及更加贴合路面所在曲面，提高特征点的三维表达能力。然后，通过上一帧道路图像对应的初始曲面方程来生成目标曲面方程，可以提高目标曲面方程的连续性。接着，通过生成关键点投影误差向量、状态转移误差矩阵、竖轴误差矩阵和运动方向误差矩阵可以用于消除关键点坐标投影至目标曲面方程所在平面后的各项误差，极大的避免惯性的影响、对地高度和俯仰角之间的偏差。由此，可以提高目标曲面方程的准确度。从而，矫正后的目标关键点坐标组集合可以更加准确。进而，可以提高生成的三维车道线的准确度。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种三维车道线生成装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，一些实施例的三维车道线生成装置400包括：获取单元401、提取单元402、第一生成单元403、矫正单元404和第二生成单元405。其中，获取单元401，被配置成获取道路图像；提取单元402，被配置成对上述道路图像进行关键点提取处理，得到关键点坐标组集合；第一生成单元403，被配置成基于上述关键点坐标组集合和初始曲面方程，生成目标曲面方程；矫正单元404，被配置成基于上述目标曲面方程，对上述关键点坐标组集合中的关键点坐标进行矫正，得到目标关键点坐标组集合；第二生成单元405，被配置成利用上述目标关键点坐标组集合，生成三维车道线方程组。
可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。
下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备101)500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取道路图像；对上述道路图像进行关键点提取处理，得到关键点坐标组集合；基于上述关键点坐标组集合和初始曲面方程，生成目标曲面方程；基于上述目标曲面方程，对上述关键点坐标组集合中的关键点坐标进行矫正，得到目标关键点坐标组集合；利用上述目标关键点坐标组集合，生成三维车道线方程组。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、提取单元、第一生成单元、矫正单元和第二生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取道路图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (7)

1.一种三维车道线生成方法，包括：
获取道路图像；
对所述道路图像进行关键点提取处理，得到关键点坐标组集合；
基于所述关键点坐标组集合和初始曲面方程，生成目标曲面方程；
基于所述目标曲面方程，对所述关键点坐标组集合中的关键点坐标进行矫正，得到目标关键点坐标组集合；
利用所述目标关键点坐标组集合，生成三维车道线方程组；
其中，所述对所述道路图像进行关键点提取处理，得到关键点坐标组集合，包括：
对所述道路图像进行图像截取，得到截取道路图像；
对所述截取道路图像进行关键点提取，得到关键点坐标组集合，其中，所述关键点坐标组集合中的关键点坐标处于所述截取道路图像中的车道线区域；
其中，在所述基于所述关键点坐标组集合和初始曲面方程，生成目标曲面方程之前，所述方法还包括：
将所述关键点坐标组集合中每个提取坐标组中的各个提取坐标反投影至初始曲面方程所在曲面以生成初始坐标组，得到初始坐标组集合；
其中，所述基于所述关键点坐标组集合和初始曲面方程，生成目标曲面方程，包括：
基于所述初始曲面方程，生成初始状态向量；
确定当前车辆对应的相对旋转矩阵和相对位移向量；
基于所述相对旋转矩阵和所述相对位移向量，生成相对状态矩阵；
基于所述关键点坐标组集合、所述初始坐标组集合、所述初始状态向量和所述相对状态矩阵，生成目标曲面方程。
2.根据权利要求1所述的方法，其中，所述方法还包括：
将所述三维车道线方程组发送至显示终端以供车道线显示。
3.根据权利要求1所述的方法，其中，所述基于所述关键点坐标组集合、所述初始坐标组集合、所述初始状态向量和所述相对状态矩阵，生成目标曲面方程，包括：
基于所述初始曲面方程，生成目标参数；
基于所述关键点坐标组集合、所述初始坐标组集合、所述目标参数、所述初始状态向量、所述相对状态矩阵、预设约束条件、预设的方向协方差值和位姿协方差值，生成目标曲面方程。
4.根据权利要求1所述的方法，其中，所述基于所述目标曲面方程，对所述关键点坐标组集合中的关键点坐标进行矫正，得到目标关键点坐标组集合，包括：
基于所述关键点坐标组集合，生成待矫正坐标组集合；
将所述待矫正坐标组集合中每个待矫正坐标组中的各个待矫正坐标反投影至所述目标曲面方程所在曲面以生成目标关键点坐标组，得到目标关键点坐标组集合。
5.一种三维车道线生成装置，包括：
获取单元，被配置成获取道路图像；
提取单元，被配置成对所述道路图像进行关键点提取处理，得到关键点坐标组集合；
第一生成单元，被配置成基于所述关键点坐标组集合和初始曲面方程，生成目标曲面方程；
矫正单元，被配置成基于所述目标曲面方程，对所述关键点坐标组集合中的关键点坐标进行矫正，得到目标关键点坐标组集合；
第二生成单元，被配置成利用所述目标关键点坐标组集合，生成三维车道线方程组；
其中，所述对所述道路图像进行关键点提取处理，得到关键点坐标组集合，包括：
对所述道路图像进行图像截取，得到截取道路图像；
对所述截取道路图像进行关键点提取，得到关键点坐标组集合，其中，所述关键点坐标组集合中的关键点坐标处于所述截取道路图像中的车道线区域；
其中，在所述基于所述关键点坐标组集合和初始曲面方程，生成目标曲面方程之前，还包括：
将所述关键点坐标组集合中每个提取坐标组中的各个提取坐标反投影至初始曲面方程所在曲面以生成初始坐标组，得到初始坐标组集合；
其中，所述基于所述关键点坐标组集合和初始曲面方程，生成目标曲面方程，包括：
基于所述初始曲面方程，生成初始状态向量；
确定当前车辆对应的相对旋转矩阵和相对位移向量；
基于所述相对旋转矩阵和所述相对位移向量，生成相对状态矩阵；
基于所述关键点坐标组集合、所述初始坐标组集合、所述初始状态向量和所述相对状态矩阵，生成目标曲面方程。
6.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
7.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。
CN202210106520.5A 2022-01-28 2022-01-28 三维车道线生成方法、装置、电子设备和计算机可读介质 Active CN114445597B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210106520.5A CN114445597B (zh) 2022-01-28 2022-01-28 三维车道线生成方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210106520.5A CN114445597B (zh) 2022-01-28 2022-01-28 三维车道线生成方法、装置、电子设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN114445597A CN114445597A (zh) 2022-05-06
CN114445597B true CN114445597B (zh) 2022-11-11

Family

ID=81371590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210106520.5A Active CN114445597B (zh) 2022-01-28 2022-01-28 三维车道线生成方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN114445597B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114964296B (zh) * 2022-07-29 2022-11-11 禾多科技（北京）有限公司 车辆行驶路径规划方法、装置、设备和计算机可读介质
CN115937046B (zh) * 2023-01-09 2023-05-26 禾多科技（北京）有限公司 道路地面信息生成方法、装置、设备和计算机可读介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001229407A (ja) * 2000-02-17 2001-08-24 Canon Inc 数値解析用モデル作成装置、数値解析用モデル作成方法および記憶媒体
CN109583271A (zh) * 2017-09-29 2019-04-05 杭州海康威视数字技术股份有限公司 一种对车道线进行拟合的方法、装置及终端
CN109711372A (zh) * 2018-12-29 2019-05-03 驭势科技（北京）有限公司 一种车道线的识别方法和系统、存储介质、服务器
CN110569796A (zh) * 2019-09-09 2019-12-13 南京东控智能交通研究院有限公司 一种车道线动态检测和车道分界线的拟合方法
CN112598762A (zh) * 2020-09-16 2021-04-02 禾多科技（北京）有限公司 三维车道线信息生成方法、装置、电子设备和介质
CN113551664A (zh) * 2021-08-02 2021-10-26 湖北亿咖通科技有限公司 一种地图构建方法、装置、电子设备及存储介质
CN113869293A (zh) * 2021-12-03 2021-12-31 禾多科技（北京）有限公司 车道线识别方法、装置、电子设备和计算机可读介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920217A (zh) * 2021-10-15 2022-01-11 北京百度网讯科技有限公司 用于生成高精地图车道线的方法、装置、设备和产品

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001229407A (ja) * 2000-02-17 2001-08-24 Canon Inc 数値解析用モデル作成装置、数値解析用モデル作成方法および記憶媒体
CN109583271A (zh) * 2017-09-29 2019-04-05 杭州海康威视数字技术股份有限公司 一种对车道线进行拟合的方法、装置及终端
CN109711372A (zh) * 2018-12-29 2019-05-03 驭势科技（北京）有限公司 一种车道线的识别方法和系统、存储介质、服务器
CN110569796A (zh) * 2019-09-09 2019-12-13 南京东控智能交通研究院有限公司 一种车道线动态检测和车道分界线的拟合方法
CN112598762A (zh) * 2020-09-16 2021-04-02 禾多科技（北京）有限公司 三维车道线信息生成方法、装置、电子设备和介质
CN113551664A (zh) * 2021-08-02 2021-10-26 湖北亿咖通科技有限公司 一种地图构建方法、装置、电子设备及存储介质
CN113869293A (zh) * 2021-12-03 2021-12-31 禾多科技（北京）有限公司 车道线识别方法、装置、电子设备和计算机可读介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于多项式曲线拟合的车道线检测;鲍先富;《中国知网》;20200910;全文 *
基于深度学习的车道线检测算法研究;梁乐颖;《中国知网》;20180930;全文 *

Also Published As

Publication number Publication date
CN114445597A (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
CN112598762B (zh) 三维车道线信息生成方法、装置、电子设备和介质
CN114445597B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN114419604B (zh) 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN113869293B (zh) 车道线识别方法、装置、电子设备和计算机可读介质
CN112733820B (zh) 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN114399588B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN112348029B (zh) 局部地图调整方法、装置、设备和计算机可读介质
CN110988849A (zh) 雷达系统的标定方法、装置、电子设备及存储介质
CN114399589B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN113327318B (zh) 图像显示方法、装置、电子设备和计算机可读介质
CN115616937B (zh) 自动驾驶仿真测试方法、装置、设备和计算机可读介质
CN114993328B (zh) 车辆定位评估方法、装置、设备和计算机可读介质
CN114863385B (zh) 道路曲面信息生成方法、装置、设备和计算机可读介质
CN115540894A (zh) 车辆轨迹规划方法、装置、电子设备和计算机可读介质
CN114894205A (zh) 三维车道线信息生成方法、装置、设备和计算机可读介质
CN117132737A (zh) 一种三维建筑模型构建方法、系统及设备
CN114140538B (zh) 车载相机位姿调整方法、装置、设备和计算机可读介质
CN114723640B (zh) 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN111965383A (zh) 车速信息生成方法、装置、电子设备和计算可读介质
CN114399587B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN115713560A (zh) 一种摄像头和车辆的外参数标定方法及装置、电子设备、存储介质
CN113808134B (zh) 油罐布局信息生成方法、装置、电子设备、介质
CN116630436B (zh) 相机外参修正方法、装置、电子设备和计算机可读介质
CN114863025B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN114494428B (zh) 车辆位姿矫正方法、装置、电子设备和计算机可读介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 201, 202, 301, No. 56-4 Fenghuang South Road, Huadu District, Guangzhou City, Guangdong Province, 510806

Patentee after: Heduo Technology (Guangzhou) Co.,Ltd.

Address before: 100099 101-15, 3rd floor, building 9, yard 55, zique Road, Haidian District, Beijing

Patentee before: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd.

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Method, device, electronic device, and computer-readable medium for generating three-dimensional lane lines

Granted publication date: 20221111

Pledgee: Bank of Shanghai Co.,Ltd. Beijing Branch

Pledgor: Heduo Technology (Guangzhou) Co.,Ltd.

Registration number: Y2024980009891