CN115143996A - 定位信息修正方法及电子设备和存储介质 - Google Patents
定位信息修正方法及电子设备和存储介质 Download PDFInfo
- Publication number
- CN115143996A CN115143996A CN202211080002.7A CN202211080002A CN115143996A CN 115143996 A CN115143996 A CN 115143996A CN 202211080002 A CN202211080002 A CN 202211080002A CN 115143996 A CN115143996 A CN 115143996A
- Authority
- CN
- China
- Prior art keywords
- lane
- coordinate system
- lane line
- positioning information
- precision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
- G01C21/3819—Road shape data, e.g. outline of a route
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Navigation (AREA)
Abstract
本发明公开一种定位信息修正方法及电子设备和存储介质,其中方法包括:获取当前帧自车所在道路的车体坐标系下的视觉车道线检测结果和UTM坐标系下的高精地图车道线;对视觉车道线和高精车道线进行配对,得到至少一个车道线组;将该组车道线组中的高精车道线转换至所述车体坐标系下得到车体坐标系下的车道点集,根据所述车道点集和配对的视觉车道线,计算所述高精车道线与配对的视觉车道线的偏差代价值;基于所述偏差代价值计算纠正误差;根据所述纠正误差纠正定位信息。本发明实施例通过获取视觉车道线信息和高精地图车道线信息来计算纠正误差值,将纠正误差值修正自车的定位信息,提高了自车定位系统精准度和稳定性,且不易受场景干扰。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及一种定位信息修正方法及电子设备和存储介质。
背景技术
随着人工智能技术的发展,自动驾驶技术越发成熟。自动驾驶技术可以简要的分为感知、预测、定位、决策、规划与控制几个方面。定位是自动驾驶的关键部分之一,目前自动驾驶中应用到的坐标系主要包括:与定位信息相关的世界坐标系(例如wgs-84坐标系)、UTM(UNIVERSAL TRANSVERSE MERCARTOR GRID SYSTEM,通用横墨卡托格网系统)坐标系、DR(DEAD RECKONING,航迹推算)坐标系、车体坐标系,与感知信息相关的各传感器坐标系等。
其中定位信息经定位模块处理后,常以UTM坐标系、DR坐标系和车体坐标系三者进行表述,感知信息经感知模块处理后,可转换至车体坐标系下描述。车体坐标系由于坐标原点随车辆实时变动,因此在时间维度上无关联;UTM坐标系由于坐标原点固定,不随时间维度变化,因此可用于数据时间维度上的处理,但和车体坐标系下描述的感知信息需要通过自车的UTM定位信息进行坐标转换,转换过程会引入自车定位精度误差,且容易受场景影响,存在定位失效风险;DR信息由于来源于IMU(Inertial Measurement Unit)传感器和里程计,受场景影响较小,短时间内精度高,但受限于传感器精度,长时间下累计误差较大。
相关技术中,常采用UTM坐标系与车体坐标系相结合的方式,感知信息基于车体坐标系描述,定位信息和高精地图信息基于UTM坐标系下描述,二者通过自车UTM定位信息进行转换。
发明人发现:坐标转换过程会引入自车定位精度误差,导致感知信息在UTM坐标系下的描述引入定位误差,感知精度下降且容易受场景影响,存在定位失效风险;DR信息由于来源于IMU传感器和里程计,受场景影响较小,短时间内精度高,但受限于传感器精度,长时间下累计误差较大。
发明内容
本发明实施例旨在至少解决上述技术问题之一。
第一方面,本发明实施例提供一种定位信息修正方法,包括:获取当前帧自车所在道路的车体坐标系下的视觉车道线检测结果和通用横墨卡托格网坐标系统UTM坐标系下的高精地图车道线,所述视觉车道线检测结果包含至少一条视觉车道线,所述高精地图车道线包含至少一条高精车道线;对视觉车道线和高精车道线进行配对,得到至少一个车道线组;针对每个车道线组,将该组车道线组中的高精车道线转换至所述车体坐标系下得到车体坐标系下的车道点集,根据所述车道点集和配对的视觉车道线,计算所述高精车道线与配对的视觉车道线的偏差代价值;基于各高精车道线与配对的视觉车道线的偏差代价值,计算纠正误差;根据所述纠正误差纠正定位信息。
第二方面,本发明实施例提供一种定位信息修正设备,其特征在于,包括:获取模块,用于获取当前帧自车所在道路的车体坐标系下的视觉车道线检测结果和通用横墨卡托格网坐标系统UTM坐标系下的高精地图车道线,所述视觉车道线检测结果包含至少一条视觉车道线,所述高精地图车道线包含至少一条高精车道线;配对模块,用于对视觉车道线和高精车道线进行配对,得到至少一个车道线组;第一计算模块,用于针对每个车道线组,将该组车道线组中的高精车道线转换至所述车体坐标系下得到车体坐标系下的车道点集,根据所述车道点集和配对的视觉车道线,计算所述高精车道线与配对的视觉车道线的偏差代价值;第二计算模块,基于各高精车道线与配对的视觉车道线的偏差代价值,计算纠正误差;纠正模块,用于根据所述纠正误差纠正定位信息。
第三方面,本发明实施例提供一种电子设备,其包括: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本发明任一实施例的定位信息修正方法的步骤。
第四方面,本发明实施例提供一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现本发明任一实施例的定位信息修正方法的步骤。
第五方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行本发明任一实施例的定位信息修正方法的步骤。
第六方面,本发明实施例还提供一种移动工具,搭载有视觉传感器,所述移动工具包括第三方面所述的电子设备,所述视觉传感器与电子设备通信连接。
本申请,通过视觉车道线信息和高精地图车道线信息来修正自车坐标出现的累计误差,提高了自车定位系统精准度和稳定性,同时修正后的定位系统可供自车的其他模块进行调用,不易受场景干扰,确保自车所有模块在调用定位系统过程中都能够精准稳定。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种定位信息修正方法的流程图;
图2为本发明实施例提供的高精地图车道线编号规则示意图;
图3为本发明实施例中三个坐标系的示意图;
图4为本发明实施例中各信息进行时间同步的示意图;
图5为本发明实施例中定位信息修正的流程结构示意图;
图6为本发明实施例中定位信息修正设备的结构示意图;
图7为本发明实施例提供的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本领域技术人员知道,本申请的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
为了便于理解,以下对本申请涉及的技术术语进行解释:本申请所称的“移动装置”包括但不限于国际自动机工程师学会(Society of Automotive EngineersInternational,SAE International)或中国国家标准《汽车驾驶自动化分级》制定的L0-L5共六个自动驾驶技术等级的车辆。
在一些实施例中,移动装置可以是具有如下各种功能的车辆设备或机器人设备:
(1)载人功能,如家用轿车、公共汽车等;
(2)载货功能,如普通货车、厢式货车、甩挂车、封闭货车、罐式货车、平板货车、集装厢车、自卸货车、特殊结构货车等;
(3)工具功能,如物流配送车、自动导引运输车AGV(Automated Guided Vehicle,自动引导车)、巡逻车、起重机、吊车、挖掘机、推土机、铲车、压路机、装载机、越野工程车、装甲工程车、污水处理车、环卫车、吸尘车、洗地车、洒水车、扫地机器人、送餐机器人、导购机器人、割草机、高尔夫球车等;
(4)娱乐功能,如娱乐车、游乐场自动驾驶装置、平衡车等;
(5)特殊救援功能,如消防车、救护车、电力抢修车、工程抢险车等。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
在本发明中,“模块”、“装置”、“系统”等指应用于计算机的相关实体,如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说,例如,元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/ 或计算机。还有,运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/ 或线程中,并且元件可以在一台计算机上本地化和/ 或分布在两台或多台计算机之间,并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号,例如,来自一个与本地系统、分布式系统中另一元件交互的,和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”,不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
实施例一
如图1 所示为本发明实施例一提供的一种定位信息修正方法的流程图,包括如下步骤:
S11:获取当前帧自车所在道路的车体坐标系下的视觉车道线检测结果和UTM坐标系下的高精地图车道线,所述视觉车道线检测结果包含至少一条视觉车道线,所述高精地图车道线包含至少一条高精车道线;
S12:对视觉车道线和高精车道线进行配对,得到至少一个车道线组;
S13:针对每个车道线组,将该组车道线组中的高精车道线转换至所述车体坐标系下得到车体坐标系下的车道点集,根据所述车道点集和配对的视觉车道线,计算所述高精车道线与配对的视觉车道线的偏差代价值;
S14:基于各高精车道线与配对的视觉车道线的偏差代价值,计算纠正误差;
S15:根据所述纠正误差纠正定位信息。
在本实施方式中,基于已知的视觉车道线信息和高精地图车道线信息来计算纠正误差值,将纠正误差值修正自车的定位信息,提高自车定位系统精准度和稳定性,且不易受场景干扰,也能够供其他模块调用精准稳定的定位信息。
对于步骤S11,获取当前自车定位系统的定位数据,根据所述定位数据确定自车当前所在道路,并从车道线检测模块中获取车体坐标系下的视觉车道线检测结果,视觉车道线检测结果包含至少一条视觉车道线,视觉车道线在车体坐标系下描述。以及,基于前述定位数据从高精地图数据库中获取自车当前所在道路的高精地图车道线。本发明实施例中,高精地图车道线在UTM坐标系中描述。
对于步骤S12,将获取到的视觉车道线和高精车道线进行配对,得到至少一个车道线组。
本发明实施例中,所述定位信息包括DR坐标系下的原始DR定位信息和UTM坐标系下的原始UTM定位信息。
在一个实施例中,前述步骤S12,对视觉车道线和高精车道线进行配对,得到至少一个车道线组,具体包括:根据视觉车道线的编号规则和高精车道线的编号规则,对视觉车道线和高精车道线进行初步配对,得到至少一个初始车道线组;针对每个初始车道线组,计算该初始车道线组中的高精车道线和视觉车道线之间的差异度;若差异度大于预设的阈值则删除该初始车道线组;若差异度不大于所述阈值则将该初始车道线组确定为车道线组。
如图2所示为高精车道线编号规则,对于高精车道线来说,左车道线Lh的id为“-2”,右车道线Rh的id为“-3”;而VSN中以自车视角为基准,左车道线Lvsn的id为“-1”,右车道线Rvsn的id为“-2”;因此,根据两者的车道线编号规则,可以得到2个初始车道线组为[Lh,Lvsn],[Rh,Rvsn]。
优选地,为进一步确认初始车道线组的准确性,本发明实施例还进一步计算每个初始车道线组中的高精车道线和视觉车道线的差异度,若差异度较大则确认配对错误则将该初始车道线组删除;若差异度较小则确认配对准确则保留初始车道线组,并作为最终的车道线组。
计算初始车道线组中的高精车道线和视觉车道线的差异度,具体可按照以下方式计算得到:将所述高精车道线转换到车体坐标系下,得到车体坐标系下的车道点集,根据所述车道点集和配对的视觉车道线计算所述高精车道线与配对的视觉车道线的差异度。
在一个具体实施例中,根据所述车道点集和配对的视觉车道线计算所述高精车道线与配对的视觉车道线的差异度,具体包括:计算车道点集中每个点到配对的视觉车道线的最小距离,基于各点到视觉车道线的最小距离来确定高精车道线和其配对的视觉车道线的差异度。
在一些具体实例中,将高精车道线转换到自车车体坐标系中来获取车体坐标系下的车道点集。首先,定义车道线检测结果VSN下包括时间戳TVSN和n条车道线方程Ln,车道线方程依附于车体坐标系表述。定义O_DR为DR坐标系下的原始DR定位信息,O_DR包含时间戳信息TO_DR、位置信息PO_DR(xdr, ydr, zdr)和角度信息RO_DR(rxdr, rydr, rzdr),O_DR为高频数据;定义C_DR为DR坐标系下的虚拟DR定位信息,C_DR包含时间戳信息TC_DR、位置信息PC_DR(xcdr, ycdr, zcdr)和角度信息RC_DR(rxcdr, rycdr, rzcdr),C_DR为与视觉车道线检测结果时间同步的低频数据;定义车体坐标系下任意点位置信息用P(x,y,z)表示,角度信息用R(rx,ry,rz)表示;定义O_G表示UTM坐标系下的原始定位信息,C_G表示UTM坐标系下的修正后的定位信息;定义UTM坐标系下任意点位置信息用PG(xG,yG,zG)表示,角度信息用RG(rxG,ryG,rzG)表示,基于定义的各种表示借助自车在UTM坐标系下位置Pg_car(xg0, yg0, zg0)和角度信息Rg_car(rxg0, ryg0, rzg0)。如图3所示,从左到右分别为车体坐标系、UTM坐标系和DR坐标系。
车体坐标系和UTM坐标系转换关系如公式(1)所示:
公式(1)中,RDR为从DR坐标系与车体坐标系的转换矩阵,Rx为yz平面内变换矩阵,Ry为xz平面内变换矩阵,Rz为xy平面内变换矩阵。
基于自车在DR坐标系下位置Pcar(x0, y0, z0)和角度信息Rcar(rx0, ry0, rz0)车体坐标系和DR坐标系转换关系公式(2)所示:
公式(2)中,RG为从UTM坐标系与车体坐标系的转换矩阵,Rx为yz平面内转换矩阵,Ry为xz平面内转换矩阵,Rz为xy平面内转换矩阵;当自车车体在行驶过程中需要选取时间同步下的低频视觉车道线检测结果VSN和自车的高精地图中ID相同的车道线,计算偏差代价值Fline_n,其中下角标n表示车道id,例如“-1”车道偏差代价值为Fline_-1,计算过程为:
根据上一帧虚拟DR定位信息C_DRT-1和与视觉车道线检测结果时间同步的O_DR变化量,得到当前帧虚拟C_DRT:
C_DRT = C_DRT-1 + (O_DRT - O_DRT-1)RODRRCDR -1; 公式(3)
公式(3)中,RODR、RCDR均为DR坐标系与车体坐标系的转换矩阵RDR,区别在于RODR公式中使用的参数与O_DR相关,RCDR中使用的参数与C_DR相关,RCDR -1为RCDR的逆矩阵,O_DRT为当前帧时间同步的原始DR定位信息,O_DRT-1为前一帧时间同步的原始DR定位信息。
本发明实施例中获取的视觉车道线与获取的定位信息时间同步,时间同步具体实现可如下:
时间同步如下,根据时间同步原则,获取时间同步下的视觉车道线检测结果VSN和O_DR,如图4所示。
根据以下公式(4)计算得到当前帧的虚拟C_GT ’:
C_GT ’ = C_GT-1 + (O_DRT - O_DRT-1)RODRRG -1; 公式(4)
公式(4)中,C_GT ’为当前帧虚拟UTM定位信息,C_GT-1为前一帧时间同步的UTM定位信息,RODR为DR坐标系与车体坐标系的转换矩阵,RG -1为RG的逆矩阵。
前述步骤S12中,基于C_GT ’将高精车道线转换到车体坐标系,得到车体坐标系下车
道点集,根据车道点集和配对的视觉车道线,计算高精车道线与配对的视觉车道线的差异
度,即首先计算车道点集中每个点到配对的视觉车道线的最小距离,根据最小距离确定高
精车道线与配对的视觉车道线的差异度。例如可根据计算得到高精车道线与
配对的视觉车道线的差异度,其中Sm表示车道点集中第m个点到配对的视觉车道线的最小
距离,Pm为该第m个点的权重值。
前述步骤S13和步骤S14具体可通过以下方案实现。
前述步骤S13中通过前述步骤S12相同的方式将每一组车道线组中的高精车道线转换到车体坐标系下得到车体坐标系下的车道点集,在此不再赘述。根据所述车道点集和配对的视觉车道线,计算所述高精车道线与配对的视觉车道线的偏差代价值,具体实现如下:获取预设的多个离散误差值;针对每个离散误差值,将离散误差值分别与车道点集中的各点进行叠加得到采样点集;计算采样点集中每个点到配对的视觉车道线的最小距离,根据所述最小距离确定出所述高精车道线与配对的视觉车道线基于所述离散误差值的偏差代价值。
例如,基于自车上搭载的车载IMU和车载里程计的精度确定误差值的取值范围,例如取车载IMU和车载里程计的精度的最大值作为误差值的取值范围的最大值max,将0~max作为误差值的取值范围,在该取值范围内离散采集N个离散误差值,第i个离散误差值用ui表示。
针对每一组车道线组,首先,按照前述步骤S13将该组中的高精车道线转换至车体坐标系下得到车道点集用Pline_n{pline(x0,y0,rz0)n, pline(x1,y1,rz1)n ... pline(xm,ym,rzm)n}表示;其次,将车道点集Pline_n依次分别与每个离散误差进行叠加得到N组采样点集,以将Pline_n与ui进行叠加为例,得到一组采样点集uiPline_n{pline(x0,y0,rz0)+ui, pline(x1,y1,rz1)+ui ... pline(xm,ym,rzm)+ui};针对每一组采样点集,计算采样点集中每个点到配对的视觉车道线的最小距离值,并基于最小距离值计算得到高精车道线与配对的视觉车道线基于所述离散误差值的偏差代价值,以uiPline_n为例,求解uiPline_n中每个点到VSN中对应的车道线方程Ln的最小距离sm,得到偏差代价值为;依此得到偏差代价集UFline_n{u0Fline_n, u1Fline_n ... uNFline_n}。
对于步骤S14,根据步骤S13各高精车道线与配对的视觉车道线的偏差代价值来计算纠正误差,先需要计算离散误差的采样权重,根据离散误差的采样权重与偏差代价值成反比的关系进行加权计算得到纠正误差,其中离散误差的采样权重通过公式(5)计算得到:
公式(5)中,wi为ui的权重值,L为VSN视觉车道线个高精车道线的配对数量;N为离散误差值的个数。
根据以下公式(6)计算得到纠正误差:
公式(6)中,uc表示纠正误差,wi表示ui的权重。
对于步骤S15,根据加权计算得到的纠正误差来纠正定位信息具体实现可如下:
根据前一帧虚拟DR定位信息、前一帧时间同步的原始DR定位信息、当前帧时间同步的原始DR定位信息、DR坐标系与车体坐标系之间的转换矩阵、所述纠正误差,计算得到当前帧虚拟DR定位信息,参考以下公式(7);
根据当前帧虚拟DR定位信息、当前时刻原始DR定位信息、前一时刻原始原始DR定位信息、DR坐标系与车体坐标系之间的转换矩阵,计算得到当前时刻DR定位信息,参考以下公式(9);
根据前一帧UTM定位信息、前一帧时间同步的原始DR定位信息、当前帧时间同步的原始DR定位信息、DR坐标系与车体坐标系之间的转换矩阵、车体坐标系与UTM坐标系之间的转换矩阵、所述纠正误差,计算得到当前帧UTM定位信息,参考以下公式(8)。
公式(7)-(8)中,C_DRT 为当前帧虚拟DR定位信息,C_DRT-1 为前一帧虚拟DR定位信息、O_DRT-1为前一帧时间同步的原始DR定位信息、O_DRT为当前帧时间同步的原始DR定位信息、RODR为DR坐标系与车体坐标系之间的转换矩阵、所述纠正误差,RCDR为车体坐标系与UTM坐标系之间的转换矩阵,C_GT-1为为前一帧UTM定位信息,RG为车体坐标系与UTM坐标系之间的转换矩阵,C_GT为当前帧UTM定位信息。
公式(9)中, C_DRT为当前帧的虚拟DR定位信息、CO_DRt+1为当前时刻的DR定位信息、O_DRt为上一时刻的原始DR定位信息,O_DRt+1为当前时刻的原始DR定位信息;RODR和RCDR均为R坐标系与车体坐标系之间的转换矩阵RDR。
本发明实施例中,视觉车道线检测结果的输出频率为低频,例如为10Hz/s,即每过0.1秒输出一个视觉车道线检测结果;DR坐标系中的原始DR定位信息的输出频率为高频,例如100Hz/s,即每0.01秒输出一个。以视觉车道线检测结果输出频率为基准,在计算低频的C_DR时,需要获取与视觉车道线检测结果时间同步的原始DR定位信息参与计算。假设以T时刻作为视觉车道线检测结果的当前帧时刻,从DR坐标系中的原始DR定位信息中寻找时刻为T时刻、T-1时刻的原始DR定位信息,将T时刻和T-1时刻的原始DR定位信息参与前面公式(7)和公式(8)的计算,得到T时刻的C_DRT 和C_GT ;在接收到下一帧(即T+1帧)视觉车道线检测结果之前,还会接收到大量的高频的原始DR定位信息,对于该部分原始DR定位信息则通过公式(9)来计算得到。
在本实施方式中,通过设定预设偏差代价阈值来判断是否进根据当前车道线来计算纠正误差,偏差大于计算的偏差代价值就说明该车道存在问题,不再进行后续处理,提高了纠正误差的准确性。
本发明技术方案整体的方法结构图如图5所示。首先获取定位原始信息,定位原始信息包括DR坐标系下的原始定位信息O_DR(即A高频DR原始信息),以及UTM坐标系下的原始定位信息O_G(即B UTM原始信息),假设O_G初始定位有效;随后根据时间同步下的视觉车道线检测结果VSN和高精地图中的车道线,对O_DR进行修正,得到虚拟定位信息C_DR(低频数据),对O_G进行修正得到C_G(即B UTM修正信息);最后根据虚拟定位信息C_DR和O_DR,得到CO_DR(A高频DR修正信息;再将修正后的高频DR修正信息、UTM修正信息作为当前定位信息发送给自动驾驶系统中的其他模块使用。
实施例二
如图 6 所示为本发明一实施例提供的一种定位信息修正设备的结构示意图,该系统可执行上述任意实施例所述的定位信息修正方法,并配置在终端中。
本实施例提供的一种定位信息修正设备100包括:获取模块110,配对模块120、第一计算模块130、第二计算模块140和纠正模块150。
其中,获取模块110,用于获取当前帧自车所在道路的车体坐标系下的视觉车道线检测结果和通用横墨卡托格网坐标系统UTM坐标系下的高精地图车道线,所述视觉车道线检测结果包含至少一条视觉车道线,所述高精地图车道线包含至少一条高精车道线;配对模块120,用于对视觉车道线和高精车道线进行配对,得到至少一个车道线组;第一计算模块130,用于针对每个车道线组,将该组车道线组中的高精车道线转换至所述车体坐标系下得到车体坐标系下的车道点集,根据所述车道点集和配对的视觉车道线,计算所述高精车道线与配对的视觉车道线的偏差代价值;第二计算模块140,基于各高精车道线与配对的视觉车道线的偏差代价值,计算纠正误差;纠正模块150,用于根据所述纠正误差纠正定位信息。
获取模块110的具体实现请参考实施例一中的步骤S11,在此不再赘述。配对模块120的具体实现请参考实施例一中的步骤S12,在此不再赘述。第一计算模块130的具体实现请参考实施例一中的步骤S13,在此不再赘述。第二计算模块140的具体实现请参考实施例一中的步骤S14,在此不再赘述。纠正模块150的具体实现请参考实施例一中的步骤S15,在此不再赘述。
需要说明的是,本发明还提供另一种备选方案:本发明采用的UTM坐标系和车体坐标系方向定义可根据标准不同进行替换,例如SAE中规定的车体坐标系与本发明不同,坐标系定义改变后,公式中转换矩阵会随之变化,但整体流程相近;本发明中在计算偏差代价值时,车道线点的权重由近及远逐步衰减。实际应用中对每个车道线点的权重定义,可根据视觉检测结果精度情况等输入数据进行调整。本发明采用粒子滤波方法计算偏差量,也可卡尔曼滤波、贝叶斯滤波等方法计算,甚至可以采用离散采样方法直接计算偏差量。
需要说明的是,本发明采用视觉车道线检车结果,修正了DR原始信息累计误差和UTM原始信息抖动误差,提高了定位系统精度和稳定性,可为自动驾驶其他模块提供稳定的定位信息。
实施例三
本发明实施例三还提供了一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的定位信息修正方法;作为一种实施方式,本发明的非易失性计算机存储介质存储有计算机可执行指令,计算机可执行指令设置为:获取车体坐标系下当前车道线的视觉车道线检测结果和UTM坐标系下的高精地图车道线;将所述高精地图车道线转换至所述车体坐标系下得到车体坐标系下车道点集;分别求解所述车道点集中每个点到所述视觉车道线检测结果中的车道线的最小距离,得到所述车道点集的偏差代价集;基于所述偏差代价集计算纠正误差,所述纠正误差用于纠正需要进行与车体坐标系相关的转换的定位信息。
作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中的方法对应的程序指令/模块。一个或者多个程序指令存储在非易失性计算机可读存储介质中,当被处理器执行时,执行上述任意方法实施例中的定位信息修正方法。
实施例四
本发明实施例四还提供一种电子设备,其包括: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定位信息修正的方法。
实施例五
在一些实施例中,本发明实施例五还提供一种移动装置,包括本体和所述本体上安装的根据前述任一实施例所述的电子设备。其中,移动装置可以是无人驾驶车辆,例如无人驾驶清扫车、无人驾驶洗地车、无人驾驶物流车、无人驾驶乘用车、无人驾驶环卫车、无人驾驶小巴车/大巴车、卡车、矿车等,还可以是机器人等。
实施例六
在一些实施例中,本发明实施例六还提供一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行本发明实施例中任意一项所述的应用于定位修正的方法。
在一些实施例中,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述任一项基于位信息修正的方法。
实施例七
图 7 是本申请另一实施例提供的定位信息修正方法的电子设备的硬件结构示意图,如图7所示,该设备包括:一个或多个处理器 710 以及存储器720,图7 中以一个处理器710 为例。定位信息修正方法的设备还可以包括:输入装置730 和输出装置740。
处理器710、存储器720、输入装置730 和输出装置740 可以通过总线或者其他方式连接,图7中以通过总线连接为例。
存储器720 作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的定位信息修正方法对应的程序指令/模块。处理器710 通过运行存储在存储器720 中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例定位信息修正方法。
存储器720 可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储数据等。此外,存储器720 可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器720 可选包括相对于处理器710 远程设置的存储器,这些远程存储器可以通过网络连接至移动装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置、730 可接收输入的数字或字符信息。输出装置740 可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器720 中,当被所述一个或者多个处理器710执行时,执行上述任意方法实施例中的定位信息修正方法。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
非易失性计算机可读存储介质可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据装置的使用所创建的数据等。此外,非易失性计算机可读存储介质可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,非易失性计算机可读存储介质可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明实施例还提供一种电子设备,其包括: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本发明任一实施例的定位信息修正方法的步骤。
本申请实施例的电子设备以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID 和UMPC 设备等,例如平板电脑。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器,掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)其他具有数据处理功能的移动装置。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”,不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (13)
1.一种定位信息修正方法,包括:
获取当前帧自车所在道路的车体坐标系下的视觉车道线检测结果和通用横墨卡托格网坐标系统UTM坐标系下的高精地图车道线,其中,所述视觉车道线检测结果包含至少一条视觉车道线,所述高精地图车道线包含至少一条高精车道线;
对视觉车道线和高精车道线进行配对,得到至少一个车道线组;
针对每个车道线组,将该组车道线组中的高精车道线转换至所述车体坐标系下得到车体坐标系下的车道点集,根据所述车道点集和配对的视觉车道线,计算所述高精车道线与配对的视觉车道线的偏差代价值;
基于各高精车道线与配对的视觉车道线的偏差代价值,计算纠正误差;
根据所述纠正误差纠正定位信息。
2.根据权利要求1所述的方法,其特征在于,根据所述车道点集和该车道线组中的视觉车道线计算所述高精车道线与配对的视觉车道线的偏差代价值,具体包括:
获取预设的多个离散误差值;
针对每个离散误差值,将离散误差值分别与车道点集中的各点进行叠加得到采样点集;计算采样点集中每个点到配对的视觉车道线的最小距离,根据所述最小距离确定出所述高精车道线与配对的视觉车道线基于所述离散误差值的偏差代价值。
3.根据权利要求2所述的方法,其特征在于,基于各高精地图车道线与相应视觉车道线的偏差代价值,计算纠正误差,具体包括:
针对每个离散误差值,计算多条高精车道线与配对的视觉车道线基于该离散误差值的偏差代价值的和值,将该和值作为所述离散误差值对应的代价值;
计算所有离散误差值对应的代价值的和值,得到总代价值;
根据各离散误差值对应的代价值和所述总代价值,确定各离散误差值分别对应的权重;
根据各离散误差值的权重及其代价值,得到所述纠正误差。
4.根据权利要求1所述的方法,其特征在于,所述定位信息包括DR坐标系下的原始DR定位信息、UTM坐标系下的原始UTM定位信息。
5.根据权利要求4所述的方法,其特征在于,将该组车道线组中的高精车道线转换至所述车体坐标系下得到车体坐标系下的车道点集,具体包括:
获取与当前帧视觉车道线检测结果、前一帧视觉车道线检测结果时间同步的原始DR定位信息;
根据前一帧UTM定位信息、前一帧时间同步原始DR定位信息、当前帧时间同步原始DR定位信息、DR坐标系与车体坐标系的转换矩阵、UTM坐标系与车体坐标系的转换矩阵,计算得到当前帧虚拟UTM定位信息;
基于所述当前帧虚拟UTM定位信息,将所述高精车道线转换到所述车体坐标系下得到车体坐标系下的车道点集。
6.根据权利要求4所述的方法,其特征在于,根据所述纠正误差纠正定位信息,具体包括:
根据前一帧虚拟DR定位信息、前一帧时间同步的原始DR定位信息、当前帧时间同步的原始DR定位信息、DR坐标系与车体坐标系之间的转换矩阵、所述纠正误差,计算得到当前帧虚拟DR定位信息;
根据当前帧虚拟DR定位信息、当前时刻原始DR定位信息、前一时刻原始DR定位信息、DR坐标系与车体坐标系之间的转换矩阵,计算得到当前时刻DR定位信息;
根据前一帧UTM定位信息、前一帧时间同步的原始DR定位信息、当前帧时间同步的原始DR定位信息、DR坐标系与车体坐标系之间的转换矩阵、车体坐标系与UTM坐标系之间的转换矩阵、所述纠正误差,计算得到当前帧UTM定位信息。
7.根据权利要求1~6中任一项所述的方法,其特征在于,对视觉车道线和高精车道线进行配对,得到至少一个车道线组,具体包括:
根据视觉车道线的编号规则和高精车道线的编号规则,对视觉车道线和高精车道线进行初步配对,得到至少一个初始车道线组;
针对每个初始车道线组,计算该初始车道线组中的高精车道线和视觉车道线之间的差异度;若差异度大于预设的阈值则删除该初始车道线组;若差异度不大于所述阈值则将该初始车道线组确定为车道线组。
8.根据权利要求7所述的方法,其特征在于,计算该初始车道线组中的高精车道线和视觉车道线之间的差异度,具体包括:
将所述高精车道线转换到车体坐标系下,得到车体坐标系下的车道点集,根据所述车道点集和配对的视觉车道线计算所述高精车道线与配对的视觉车道线的差异度。
9.一种定位信息修正设备,包括:
获取模块,用于获取当前帧自车所在道路的车体坐标系下的视觉车道线检测结果和通用横墨卡托格网坐标系统UTM坐标系下的高精地图车道线,所述视觉车道线检测结果包含至少一条视觉车道线,所述高精地图车道线包含至少一条高精车道线;
配对模块,用于对视觉车道线和高精车道线进行配对,得到至少一个车道线组;
第一计算模块,用于针对每个车道线组,将该组车道线组中的高精车道线转换至所述车体坐标系下得到车体坐标系下的车道点集,根据所述车道点集和配对的视觉车道线,计算所述高精车道线与配对的视觉车道线的偏差代价值;
第二计算模块,基于各高精车道线与配对的视觉车道线的偏差代价值,计算纠正误差;
纠正模块,用于根据所述纠正误差纠正定位信息。
10.一种电子设备,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至8 中任一项所述方法的步骤。
11.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至8中任一项所述方法的步骤。
12.一种计算机程序产品,所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行权利要求1至8中任一项所述方法的步骤。
13.一种移动工具,搭载有视觉传感器,所述移动工具包括权利要求10所述的电子设备,所述视觉传感器与电子设备通信连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211080002.7A CN115143996B (zh) | 2022-09-05 | 2022-09-05 | 定位信息修正方法及电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211080002.7A CN115143996B (zh) | 2022-09-05 | 2022-09-05 | 定位信息修正方法及电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115143996A true CN115143996A (zh) | 2022-10-04 |
CN115143996B CN115143996B (zh) | 2023-01-17 |
Family
ID=83416517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211080002.7A Active CN115143996B (zh) | 2022-09-05 | 2022-09-05 | 定位信息修正方法及电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115143996B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116793369A (zh) * | 2023-02-10 | 2023-09-22 | 北京斯年智驾科技有限公司 | 路径规划方法、装置、设备及计算机可读存储介质 |
CN117490728A (zh) * | 2023-12-28 | 2024-02-02 | 合众新能源汽车股份有限公司 | 车道线定位故障诊断方法和系统 |
CN117490727A (zh) * | 2023-12-27 | 2024-02-02 | 合众新能源汽车股份有限公司 | 定位精度评价方法、装置和电子设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0822552A2 (en) * | 1996-07-29 | 1998-02-04 | Cirrus Logic, Inc. | A sampled amplitude read channel for reading binary data from a sequence of discrete time sample values |
CN107615211A (zh) * | 2015-05-23 | 2018-01-19 | 深圳市大疆创新科技有限公司 | 使用惯性传感器和图像传感器的传感器融合 |
CN109297500A (zh) * | 2018-09-03 | 2019-02-01 | 武汉中海庭数据技术有限公司 | 基于车道线特征匹配的高精度定位装置及方法 |
CN110954113A (zh) * | 2019-05-30 | 2020-04-03 | 北京初速度科技有限公司 | 一种车辆位姿的修正方法和装置 |
CN111242031A (zh) * | 2020-01-13 | 2020-06-05 | 禾多科技(北京)有限公司 | 基于高精度地图的车道线检测方法 |
US20200234063A1 (en) * | 2019-01-21 | 2020-07-23 | Hyundai Motor Company | Lane recognition device and method thereof |
CN111854727A (zh) * | 2019-04-27 | 2020-10-30 | 北京初速度科技有限公司 | 一种车辆位姿的修正方法和装置 |
WO2020232648A1 (zh) * | 2019-05-22 | 2020-11-26 | 深圳市大疆创新科技有限公司 | 车道线的检测方法、电子设备与存储介质 |
WO2021017213A1 (zh) * | 2019-07-26 | 2021-02-04 | 魔门塔(苏州)科技有限公司 | 一种视觉定位效果自检方法及车载终端 |
CN113701781A (zh) * | 2021-09-30 | 2021-11-26 | 重庆长安汽车股份有限公司 | 一种基于高精地图和视觉车道线的匹配车道搜索方法 |
CN114396957A (zh) * | 2022-02-28 | 2022-04-26 | 重庆长安汽车股份有限公司 | 基于视觉与地图车道线匹配的定位位姿校准方法及汽车 |
CN114670871A (zh) * | 2022-04-14 | 2022-06-28 | 北京京东乾石科技有限公司 | 一种自动驾驶车辆的预测控制方法和装置 |
US20220207276A1 (en) * | 2020-12-18 | 2022-06-30 | Carvi Inc. | Method of detecting curved lane through path estimation using monocular vision camera |
-
2022
- 2022-09-05 CN CN202211080002.7A patent/CN115143996B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0822552A2 (en) * | 1996-07-29 | 1998-02-04 | Cirrus Logic, Inc. | A sampled amplitude read channel for reading binary data from a sequence of discrete time sample values |
CN107615211A (zh) * | 2015-05-23 | 2018-01-19 | 深圳市大疆创新科技有限公司 | 使用惯性传感器和图像传感器的传感器融合 |
CN111792034A (zh) * | 2015-05-23 | 2020-10-20 | 深圳市大疆创新科技有限公司 | 使用传感器融合估计可移动物体的状态信息的方法及系统 |
CN109297500A (zh) * | 2018-09-03 | 2019-02-01 | 武汉中海庭数据技术有限公司 | 基于车道线特征匹配的高精度定位装置及方法 |
US20200234063A1 (en) * | 2019-01-21 | 2020-07-23 | Hyundai Motor Company | Lane recognition device and method thereof |
CN111854727A (zh) * | 2019-04-27 | 2020-10-30 | 北京初速度科技有限公司 | 一种车辆位姿的修正方法和装置 |
WO2020220616A1 (zh) * | 2019-04-27 | 2020-11-05 | 魔门塔(苏州)科技有限公司 | 一种车辆位姿的修正方法和装置 |
WO2020232648A1 (zh) * | 2019-05-22 | 2020-11-26 | 深圳市大疆创新科技有限公司 | 车道线的检测方法、电子设备与存储介质 |
CN110954113A (zh) * | 2019-05-30 | 2020-04-03 | 北京初速度科技有限公司 | 一种车辆位姿的修正方法和装置 |
WO2021017213A1 (zh) * | 2019-07-26 | 2021-02-04 | 魔门塔(苏州)科技有限公司 | 一种视觉定位效果自检方法及车载终端 |
CN111242031A (zh) * | 2020-01-13 | 2020-06-05 | 禾多科技(北京)有限公司 | 基于高精度地图的车道线检测方法 |
US20220207276A1 (en) * | 2020-12-18 | 2022-06-30 | Carvi Inc. | Method of detecting curved lane through path estimation using monocular vision camera |
CN113701781A (zh) * | 2021-09-30 | 2021-11-26 | 重庆长安汽车股份有限公司 | 一种基于高精地图和视觉车道线的匹配车道搜索方法 |
CN114396957A (zh) * | 2022-02-28 | 2022-04-26 | 重庆长安汽车股份有限公司 | 基于视觉与地图车道线匹配的定位位姿校准方法及汽车 |
CN114670871A (zh) * | 2022-04-14 | 2022-06-28 | 北京京东乾石科技有限公司 | 一种自动驾驶车辆的预测控制方法和装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116793369A (zh) * | 2023-02-10 | 2023-09-22 | 北京斯年智驾科技有限公司 | 路径规划方法、装置、设备及计算机可读存储介质 |
CN116793369B (zh) * | 2023-02-10 | 2024-03-08 | 北京斯年智驾科技有限公司 | 路径规划方法、装置、设备及计算机可读存储介质 |
CN117490727A (zh) * | 2023-12-27 | 2024-02-02 | 合众新能源汽车股份有限公司 | 定位精度评价方法、装置和电子设备 |
CN117490727B (zh) * | 2023-12-27 | 2024-03-29 | 合众新能源汽车股份有限公司 | 定位精度评价方法、装置和电子设备 |
CN117490728A (zh) * | 2023-12-28 | 2024-02-02 | 合众新能源汽车股份有限公司 | 车道线定位故障诊断方法和系统 |
CN117490728B (zh) * | 2023-12-28 | 2024-04-02 | 合众新能源汽车股份有限公司 | 车道线定位故障诊断方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115143996B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115143996B (zh) | 定位信息修正方法及电子设备和存储介质 | |
CN115235500A (zh) | 基于车道线约束的位姿校正方法及装置、全工况静态环境建模方法及装置 | |
CN110658542B (zh) | 自动驾驶汽车定位识别方法、装置、设备及存储介质 | |
CN111079533A (zh) | 无人车驾驶决策方法、无人车驾驶决策装置及无人车 | |
CN114926809A (zh) | 可通行区域检测方法及装置、移动工具、存储介质 | |
CN111966111B (zh) | 基于自动配电的移动充电设备编队控制方法、系统、装置 | |
CN111476062A (zh) | 车道线检测方法、装置、电子设备及驾驶系统 | |
CN113119999A (zh) | 自动驾驶特征的确定方法、装置、设备、介质及程序产品 | |
US20220254204A1 (en) | Checkpoint-Based Tracing for Monitoring a Robotic System | |
CN114677660A (zh) | 模型训练和道路检测方法及装置 | |
CN115269763B (zh) | 局部点云地图更新维护方法、装置、移动工具及存储介质 | |
CN115320623B (zh) | 车辆轨迹预测方法、设备、移动装置和存储介质 | |
CN117908035A (zh) | 用于动态场景的单线激光定位方法、移动装置和存储介质 | |
CN117804421A (zh) | 栅格地图更新方法及相关产品 | |
CN116295391A (zh) | 建图定位方法及相关产品 | |
CN114379584B (zh) | 车辆控制方法、装置、车辆、设备和存储介质 | |
CN115371690A (zh) | 基于环境条件变化的定位方法、装置及可移动设备 | |
CN115542900A (zh) | 局部路径规划方法及相关产品 | |
CN114739411A (zh) | 一种室内定位方法、系统及移动工具 | |
CN115077512A (zh) | 地图轨迹验证方法、设备、移动装置和存储介质 | |
CN117782101A (zh) | 一种室内停车场车载定位导航方法及系统 | |
CN117830976A (zh) | 车道线检测方法、电子设备和存储介质 | |
CN117523113A (zh) | 点云地图修复方法、电子设备和存储介质 | |
CN116309693A (zh) | 目标的运动状态检测方法、设备、移动装置和存储介质 | |
CN117805843A (zh) | 基于固态激光雷达的定位与建图方法及相关产品 |
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 |