CN115320642A - 车道线建模方法、装置、电子设备及自动驾驶车辆 - Google Patents
车道线建模方法、装置、电子设备及自动驾驶车辆 Download PDFInfo
- Publication number
- CN115320642A CN115320642A CN202211082945.3A CN202211082945A CN115320642A CN 115320642 A CN115320642 A CN 115320642A CN 202211082945 A CN202211082945 A CN 202211082945A CN 115320642 A CN115320642 A CN 115320642A
- Authority
- CN
- China
- Prior art keywords
- precision
- lane line
- target
- observation
- cubic curve
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005070 sampling Methods 0.000 claims abstract description 165
- 230000008447 perception Effects 0.000 claims abstract description 87
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 8
- 230000004927 fusion Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
-
- 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
-
- 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)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本公开提供了一种车道线建模方法、装置、电子设备及自动驾驶车辆,涉及计算机技术领域,尤其涉及智能交通和自动驾驶技术领域。具体实现方案为:基于高精车道线观测获取n个采样点,并根据所述n个采样点确定目标高精车道线,n为大于1的整数;获取所述目标高精车道线关联的感知车道线,基于所述感知车道线获取感知观测误差,以及基于所述目标高精车道线获取高精观测误差;基于所述感知观测误差和所述高精观测误差对车道线模型对应的目标三次曲线进行优化,以实现车道线建模。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及智能交通和自动驾驶技术领域,具体涉及一种车道线建模方法、装置、电子设备及自动驾驶车辆。
背景技术
在自动驾驶领域,车辆需要根据周围的车道线信息来控制车辆完成自适应巡航。为了确保下游控制规划的稳定性,车辆需要根据车道线观测信息对车道线进行建模。车道线观测的来源通常包括感知车道线和高精车道线两种,感知车道线来源于车载相机的实时画面采集,其观测距离一般较短;高精车道线来源于高精地图,其观测距离不受限制,但是容易受到高精定位不准、地图更新不及时等因素影响,导致高精车道线观测与真实车道线不符合。
发明内容
本公开提供了一种车道线建模方法、装置、电子设备及自动驾驶车辆。
根据本公开的第一方面,提供了一种车道线建模方法,包括:
基于高精车道线观测获取n个采样点,并根据所述n个采样点确定目标高精车道线,n为大于1的整数;
获取所述目标高精车道线关联的感知车道线,基于所述感知车道线获取感知观测误差,以及基于所述目标高精车道线获取高精观测误差;
基于所述感知观测误差和所述高精观测误差对车道线模型对应的目标三次曲线进行优化,以实现车道线建模。
根据本公开的第二方面,提供了一种车道线建模装置,包括:
确定模块,用于基于高精车道线观测获取n个采样点,并根据所述n个采样点确定目标高精车道线,n为大于1的整数;
获取模块,用于获取所述目标高精车道线关联的感知车道线,基于所述感知车道线获取感知观测误差,以及基于所述目标高精车道线获取高精观测误差;
优化模块,用于基于所述感知观测误差和所述高精观测误差对车道线模型对应的目标三次曲线进行优化,以实现车道线建模。
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,包括计算机程序,所述计算机程序在被处理器执行时实现第一方面所述的方法。
根据本公开的第六方面,提供了一种自动驾驶车辆,被配置为执行第一方面所述的方法。
本公开实施例中,基于高精观测误差和感知观测误差来优化车道线模型对应的目标三次曲线,能够有效提升车道线建模的精度。
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是本公开实施例提供的一种车道线建模方法的流程示意图之一;
图2是本公开实施例提供的一种车道线建模方法的流程示意图之二;
图3是本公开实施例提供的一种车道线建模装置的结构示意图;
图4是用来实现本公开实施例的车道线建模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。
为更好地理解,以下对本公开实施例中可能的涉及的相关概念进行解释说明。
感知车道线建模:感知车道线测距范围较短,一般在车辆前方100m以内,并且高速路上车道线曲率一般较小,因此使用一条三次曲线即可对感知车道线观测完成拟合。
高精车道线建模:与感知车道线不同,高精车道线不受范围限制,一般由用户需要选择观测范围,比如车辆前方300m,在拟合时一般选择分段曲线拟合的方式,以降低拟合误差。
车道线模型采用三次曲线模型y=c3x3+c2x2+c1x+c0,优化变量为三次曲线的系数c=[c0,c1,c2,c3]T,用于拟合曲线的二维观测点记为pi=[xi,yi]T,记xi=[1,xi,xi 2,xi 3]T。
以下结合附图,通过具体的实施例对本公开实施例提供的车道线建模方法进行详细说明。
请参照图1,图1是本公开实施例提供的一种车道线建模方法的流程示意图之一,如图1所示,所述方法包括以下步骤:
步骤S101、基于高精车道线观测获取n个采样点,并根据所述n个采样点确定目标高精车道线,n为大于1的整数。
需要说明地,本公开实施例提供的车道线建模方法可以是应用于电子设备,如计算机、手机、平板电脑、车载终端等。本公开所提供的车道线建模方法可以是应用于自动驾驶领域,例如所述方法的执行主体可以是自动驾驶车辆上的车载终端,车载终端通过车道线观测来对车道线进行建模,进而以更好地实现自动驾驶车辆的自适应巡航。为更好地理解,后续实施例中将以电子设备作为所述车道线建模方法的执行主体对本公开提供的技术方案进行解释说明。
可以理解地,所述高精车道线观测可以是对高精地图中的车道线进行观测,例如电子设备可以是基于预设的高精地图进行高精车道线观测,以获取高精车道线。
本公开实施例中,电子设备可以是基于高精车道线观测获取n个采样点,例如所述电子设备为车载终端,则车载终端可以是基于车辆所在位置,在车辆的行驶方向上由近到远地有序获取n个采样点,并基于这n个采样点确定目标高精车道线,例如所述目标高精车道线的观测范围为所述n个采样点。
步骤S102、获取所述目标高精车道线关联的感知车道线,基于所述感知车道线获取感知观测误差,以及基于所述目标高精车道线获取高精观测误差。
可以理解地,所述感知车道线可以是车载摄像头观测得到的车道线图像,通过预先训练的深度学习模型在车道线图像中提取2D车道线,再通过逆透视变换(InversePerspective Mapping,IPM)转换成3D车道线,也即本公开中所述的感知车道线。本公开实施例中,在确定出目标高精车道线后,可以是基于所述目标高精车道线的车道标记、路沿标记、车道线形状等来确定与其对应的感知车道线。所述感知车道线和所述目标高精车道线也即应该对应同一条车道线,感知车道线也即该车道线基于感知观测得到的,所述目标高精车道线也即该车道线基于高精观测得到的。
进一步地,在获取到目标高精车道线对应的感知车道线后,基于所述感知车道线获取感知观测误差。例如,可以是获取感知车道线中感知观测点到车道线模型对应的目标三次曲线的距离,基于这些观测点至目标三次曲线的距离来确定感知观测误差。需要说明地,若观测点不在所述目标三次曲线上,也即该观测点至目标三次曲线存在感知观测误差。
相似地,基于目标高精车道线上观测点至目标三次曲线的距离获取高精观测误差。
步骤S103、基于所述感知观测误差和所述高精观测误差对车道线模型对应的目标三次曲线进行优化,以实现车道线建模。
需要说明地,本公开实施例中的车道线模型采用三次曲线建模y=c3x3+c2x2+c1x+c0,其中需要优化的变量为三次曲线的系数c=[c0,c1,c2,c3]T,用于拟合曲线的二维观测点记为pi=[xi,yi]T,记xi=[1,xi,xi 2,xi 3]T。
本公开实施例中,在确定感知观测误差和高精观测误差后,得到总的观测误差,基于所述总的观测误差对车道线模型对应的目标三次曲线进行优化,例如基于所述总的观测误差构建对三次曲线的系数c的约束,采用莱文贝格-马夸特(Levenberg-Marquardt)方法进行迭代调整,来使总的观测误差逐渐减小直到收敛,进而以求解得到优化后的三次曲线,得到该优化后的三次曲线也即完成了车道线建模。
本公开实施例中,基于高精观测误差和感知观测误差来对车道线模型对应的目标三次曲线进行优化,求解该目标三次曲线也即实现了车道线建模。进而,通过融合高精观测误差和感知观测误差来优化目标三次曲线从而以提升车道线建模的精度。
可选地,所述步骤S101可以包括:
基于高精车道线观测获取n个采样点,并根据所述n个采样点确定第一高精车道线;
获取与参考曲率之间的差值大于第一预设阈值的目标第一曲率,并基于所述目标第一曲率确定目标高精车道线,所述目标高精车道线为所述第一高精车道线中的部分。
本公开实施例中,可以从第一高精车道线的第一个采样点开始,分别计算每个高精采样点的第一曲率与参考曲率之间的差值,将差值大于第一预设阈值的第一曲率作为目标第一曲率,将该目标第一曲率对应的采样点作为目标高精车道线的终点,进而也就能够确定出目标高精车道线,该目标高精车道线也即第一高精车道线中的一部分。
需要说明的是,若不存在差值大于第一预设阈值的第一曲率,也即没有采样点构造的高精车道线的曲率与参考曲率之间的差异大于第一预设阈值,则第一高精车道线的观测终点也即为目标高精车道线的观测终点。
其中,所述参考曲率可以是预先设置的曲率,或者可以是上一次车道线建模的三次曲线的曲率。
本公开实施例中,基于高精车道线观测获取n个采样点,并根据所述n个采样点构建第一高精车道线,然后基于高精车道线曲率与参考曲率之间的差值与第一预设阈值的比对,从第一高精车道线中确定出目标高精车道线,这样也就进一步精简了高精车道线的范围。并且,目标高精车道线是在第一高精车道线的基础上基于曲率比对确定出来的,这样也就降低了高精车道线的高精观测误差,进而能够有助于提升车道线建模的精度。
可选地,所述基于高精车道线观测获取n个采样点,并根据所述n个采样点确定第一高精车道线,包括:
基于高精车道线观测获取n个采样点;
基于所述n个采样点构建高精三次曲线,并获取拟合误差小于第二预设阈值的目标高精三次曲线,所述n个采样点包括所述目标高精三次曲线对应的采样点;
获取所述目标高精三次曲线对应的起始采样点和终止采样点,将所述起始采样点和所述终止采样点对应的高精车道线确定为所述第一高精车道线。
本公开实施例中,可以是以自动驾驶车辆所处的位置为参考点,由近到远有序地获取n个采样点,基于这n个采样点构建高精三次曲线y=c3x3+c2x2+c1x+c0,例如可以是基于这n个采样点得到以下矩阵J和b:
对上述矩阵执行整体最小二乘拟合,也即求解三次曲线的系数c,c=(JTJ)-1JTb,并判断拟合误差是否小于第二预设阈值,若是,则将这n个采样点构建的高精三次曲线作为目标高精三次曲线,第一高精车道线对应的观测范围也即这n个采样点;若否,则需要进一步确定高精观测的可用范围。可用范围的起点一般使用第一个采样点确定即可,可用范围的终点根据三次多项式能拟合的最大长度来确定。本公开实施例中,可以基于二分查找的方式来确定可用范围的终点。
可以理解地,在基于上述方式得到目标高精三次曲线后,将所述目标高精三次曲线对应的高精车道线作为所述第一高精车道线。
本公开实施例中,通过对n个采样点构建的高精三次曲线进行最小二乘拟合,基于拟合误差与第二预设阈值的比对确定出第一高精车道线,进而有效提升了第一高精车道线确定方式的精确度。
可选地,所述基于所述n个采样点构建高精三次曲线,并获取拟合误差小于第二预设阈值的目标高精三次曲线,包括:
基于所述n个采样点中第一个采样点至最后一个采样点构建第一高精三次曲线,并基于最小二乘法对所述第一高精三次曲线进行拟合;
基于所述第一高精三次曲线的拟合误差与所述第二预设阈值之间的差值确定二分查找的方向;
在确保拟合误差小于所述第二预设阈值的情况下,根据所述二分查找的方向对所述n个采样点进行二分查找并确定出索引值最大的采样点,基于所述索引值最大的采样点确定目标高精三次曲线;
其中,所述目标高精三次曲线对应的起始采样点为所述n个采样点中的第一个采样点,终止采样点为所述索引值最大的采样点。
本公开实施例中,在基于高精车道线观测获取n个采样点后,基于所述n个采样点中第一个采样点至最后一个采样点(也即第n个采样点)构建第一高精三次曲线,并基于最小二乘法对所述第一高精三次曲线进行拟合,并获取拟合误差,基于所述拟合误差与第二预设阈值之间的差值来确定二分查找的方向。
在确保拟合误差小于所述第二预设阈值的情况下,根据所述二分查找的方向对所述n个采样点进行二分查找并确定出索引值最大的采样点,所述索引值最大的采样点也即不能再进行二分查找的点,则该索引值最大的采样点确定为目标高精三次曲线的终点(也即终止采样点),进而也就确定出了目标高精三次曲线的观测范围。
本公开实施例中,基于二分查找法来确定目标高精三次曲线对应的终止采样点,也即能够确定出第一高精车道线的终止采样点,这样也就能够在n个采样点中尽可能地获得长度较大的第一高精车道线,而目标高精车道线是第一高精车道线的部分,这样也就能够有效提升目标高精车道线的高精观测范围。
需要说明地,为了抑制个别非光滑的分段点对整体误差的影响,本公开实施例中可以是采用n个采样点中基于95分位点处的误差值作为所述拟合误差,相比于均值误差,分位点更能反映出误差的分布情况,进一步提升拟合质量。
可选地,本公开实施例中,所述步骤S102可以包括:
按照预设采样间隔在所述第一高精车道线上进行采样,并计算每个采样点对应的第一曲率;
获取与参考曲率之间的差值大于第一预设阈值的目标第一曲率,基于所述目标第一曲率确定目标高精车道线。
需要说明地,为了保证高精车道线与感知车道线的融合精度,需要进一步确定出能参与融合的高精观测范围。
本公开实施例中,在基于上述方式确定出第一高精车道线后,可以是从所述第一高精车道线的起点开始依次计算每个高精采样点的曲率。
例如,可以是从第一个高精采样点构建的采样段开始,计算该采样点处的曲率与参考曲率之间的差异,如果差异小于第一预设阈值,则继续比较第二个采样点的曲率与参考曲率之间的差异,重复该操作,直至某个采样点对应的曲率与参考曲率之间的差异大于第一预设阈值,则该采样点作为高精观测可用范围的终点,将第一个高精采样点到该采样点之间所有的高精采样点构建的高精曲线作为目标高精车道线。需要说明的是,若不存在差值大于第一预设阈值的第一曲率,也即没有采样点构造的高精车道线的曲率与参考曲率之间的差异大于第一预设阈值,则第一高精车道线的观测终点也即为目标高精车道线的观测终点。
本公开实施例中,通过与参考曲率之间的差值的比对,从而从第一高精车道线中进一步精确出目标高精车道线,这样也就能够通过曲率一致性来匹配高精车道线观测范围。高精车道线可能会受到高精定位不准的影响,导致其与感知车道线之间可能存在位置和角度差异,而曲率计算受这些差异影响较小,通过曲率的比对来确定目标高精车道线,并可以通过曲率比对来剔除曲率差异较大的高精观测,以提升车道线建模的精度。
可选地,所述参考曲率为参考曲线的曲率,所述参考曲线可以为上一次车道线三次曲线的建模结果。另外,本公开实施例中的第一曲率和参考曲率可以是有向曲率。
可选地,所述步骤S103可以包括:
获取所述目标高精车道线对应的高精观测坐标系,以及所述感知车道线对应的感知观测坐标系;
获取所述目标高精车道线转换到车体观测坐标系下的第一坐标结果,所述车体坐标系与所述感知观测坐标系重合;
基于所述感知观测坐标系确定感知观测下观测点到所述目标三次曲线的感知观测误差,以及基于所述第一坐标结果确定高精观测下观测点到所述目标三次曲线的高精观测误差。
本公开实施例中,在从第一高精车道线中确定出目标高精车道线后,获取所述目标高精车道线对应的高精观测坐标系,以及车辆进行感知观测的感知观测坐标系。可选地,所述感知观测坐标系可以是以车辆后轮连线的中点作为坐标原点得到的坐标系(也即车体坐标系),也即感知观测坐标系与车体坐标系重合。
可选地,可以是将高精观测坐标系转换到车体坐标系,所述车体坐标系与感知坐标系重合,而高精观测定位较差时会导致高精观测坐标系不一定与车体坐标系重合。
进一步地,获取所述目标高精车道线转换到车体观测坐标系下的第一坐标结果,基于所述第一坐标结果确定高精观测下观测点到所述目标三次曲线的高精观测误差,例如所述观测误差可以即是坐标误差。
可选地,可以是通过如下公式来确定高精观测误差和感知观测误差的总的观测误差:
其中,为所述高精观测误差和感知观测误差构建的总的观测误差(也即融合观测误差),和分别为第i点的融合观测信息,c为车道线模型对应的三次曲线中的系数。而和来源于高精观测和感知观测,其中感知观测已经在感知观测坐标系(也即车体坐标系)下了,也即不需要进行转换,而高精观测需要通过如下公式来进行转换到感知观测坐标系:
其中,Rbh为高精观测坐标系转换到感知观测坐标系对应的旋转参数,tbh为高精观测坐标系转换到感知观测坐标系对应的平移参数,为第i观测点在高精观测坐标系对应的坐标值,为第i观测点转换到感知观测坐标系对应的坐标值(也即上述第一坐标结果)。需要说明的是,在车道线建模中,不仅需要求解目标三次曲线的系数,还需求解Rbh和tbh,来提高车道线建模的精度。
本公开实施例中,基于高精观测误差和感知观测误差共同对车道线模型的目标三次曲线进行优化,这样也就能够融合高精观测和感知观测来对目标三次曲线进行优化,提升车道线建模的精度。
可选地,所述基于所述感知观测误差和所述高精观测误差对车道线模型对应的目标三次曲线进行优化,包括:
基于所述感知观测误差和所述高精观测误差对所述车道线模型对应的所述目标三次曲线的系数进行约束,以优化所述目标三次曲线。
本公开实施例中,构建的车道线模型对应的目标三次曲线为y=c3x3+c2x2+c1x+c0,而在上述总的观测误差公式中,c为目标三次曲线的系数,基于所述总的观测误差来对目标三次曲线的系数c进行约束,例如,可以是采用莱文贝格-马夸特(Levenberg-Marquardt)方法进行迭代直到收敛,也即实现对目标三次曲线系数c的约束。进而,通过对系数c的约束以优化求解得到所述目标三次曲线,也即实现车道线建模。
本公开实施例中,通过融合感知观测误差和高精观测误差来对车道线模型对应的目标三次曲线进行优化,从而也就使得最终构建的车道线模型融合了感知观测和高精观测,既保证了以感知为主的融合宗旨,又充分利用了高精车道线优势,从而能够有效提升车道线建模的精度和鲁棒性。
在自动驾驶领域,基于本公开所提供的方案完成的车道线建模,也就能够为自动驾驶车辆提供更可靠和精度更高的车道线定位,更有助于自动驾驶车辆的自适应巡航。
请参照图2,图2是本公开实施例提供的一种车道线建模方法的流程示意图之二,如图2所示,所述方法包括以下步骤:
步骤S201、高精车道线观测。
该步骤中,也即基于高精车道线观测获取n个采样点。
步骤S202、整体拟合三次多项式。
其中,所述三次多项式也即上述实施例中的高精三次曲线。该步骤中,在获取到n个采样点后,基于所述n个采样点构建三次多项式。
步骤S203、判断拟合误差是否大于预设阈值。
该步骤中,在拟合得到三次多项式后,判断所述拟合得到的三次多项式的拟合误差是否大于预设阈值。
步骤S204、若是,则二分查找计算三次多项式。
该步骤中,也即基于三次多项式的拟合误差与预设阈值之间的差值确定二分查找的方向,根据所述二分查找的方向对所述n个采样点进行二分查找,在保证拟合误差小于所述预设阈值的情况下,对所述n个采样点进行二分查找并确定出索引值最大的采样点。该步骤的具体实现过程可以是参照上述实施例中的描述,此处不再赘述。
步骤S205、若否,获取高精车道线观测的可用范围。
该步骤中,若拟合误差不大于预设阈值,则基于得到三次多项式对应的n个采样点获取高精车道线观测的可用范围,该可用范围也即这n个采样点对应的范围。
步骤S206、判断该车道线之前是否被优化过。
步骤S207、若是,计算高精观测与之前优化后曲线的曲率匹配范围。
该步骤中,计算步骤S205中确定的高精观测可用范围对应的高精车道线的曲率与之前优化后曲线的曲率的差值大小(也即匹配范围)。
步骤S208、判断匹配范围是否大于预设阈值。
步骤S209、若是,基于感知车道线与高精车道线融合优化。
该步骤中,若匹配范围大于预设阈值,则融合感知车道线与高精车道线构建车道线模型对应的三次多项式,基于对三次多项式的优化来进行车道线建模。
需要说明地,本公开实施例中所涉及的相关概念及具体实现流程可以是参照上述图1所述实施例中的具体描述,本公开实施例同样能够达到上述实施例中的有益效果,为避免重复,此处不再赘述。
本公开实施例提供的方案,根据单条三次曲线拟合能力边界自适应确定要使用的高精车道线观测范围,接着在此范围内继续判断高精车道线与上一次车道线优化结果的匹配范围,得到高精车道线观测的有效范围,最后进行高精观测与感知观测的融合建模,既保证了以感知观测为主的融合宗旨,又充分利用了高精观测的优势,有效提升了车道线建模的精度和鲁棒性。当高精定位不准时,会导致选取的高精车道线与感知车道线存在位置和角度的差异,此时需要把二者的相对变换加入一起联立优化,以进一步提升车道线建模精度。另外,本公开实施例提供的方案为车道线建模后端优化提供了支持,保障了车辆控制规划的稳定性。
请参照图3,图3是本公开实施例提供的一种车道线建模装置的结构示意图,如图3所示,车道线建模装置300包括:
确定模块301,用于基于高精车道线观测获取n个采样点,并根据所述n个采样点确定第一高精车道线,n为大于1的整数;
获取模块302,用于获取所述目标高精车道线关联的感知车道线,基于所述感知车道线获取感知观测误差,以及基于所述目标高精车道线获取高精观测误差;
优化模块303,用于基于所述感知观测误差和所述高精观测误差对车道线模型对应的目标三次曲线进行优化,以实现车道线建模。
可选地,所述确定模块301包括:
第一确定单元,用于基于高精车道线观测获取n个采样点,并根据所述n个采样点确定第一高精车道线;
获取单元,用于获取与参考曲率之间的差值大于第一预设阈值的目标第一曲率,并基于所述目标第一曲率确定目标高精车道线,所述目标高精车道线为所述第一高精车道线中的部分。
可选地,所述获取单元包括:
第一获取单元,用于基于高精车道线观测获取n个采样点;
第二获取单元,用于基于所述n个采样点构建高精三次曲线,并获取拟合误差小于第二预设阈值的目标高精三次曲线,所述n个采样点包括所述目标高精三次曲线对应的采样点;
第二确定单元,用于获取所述目标高精三次曲线对应的起始采样点和终止采样点,将所述起始采样点和所述终止采样点对应的高精车道线确定为所述第一高精车道线。
可选地,所述第二获取单元还用于:
基于所述n个采样点中第一个采样点至最后一个采样点构建第一高精三次曲线,并基于最小二乘法对所述第一高精三次曲线进行拟合;
基于所述第一高精三次曲线的拟合误差与所述第二预设阈值之间的差值确定二分查找的方向;
在确保拟合误差小于所述第二预设阈值的情况下,根据所述二分查找的方向对所述n个采样点进行二分查找并确定出索引值最大的采样点,基于所述索引值最大的采样点确定目标高精三次曲线;
其中,所述目标高精三次曲线对应的起始采样点为所述n个采样点中的第一个采样点,终止采样点为所述索引值最大的采样点。
可选地,所述获取单元还用于:
按照预设采样间隔在所述第一高精车道线上进行采样,并计算每个采样点对应的第一曲率;
获取与参考曲率之间的差值大于第一预设阈值的目标第一曲率,基于所述目标第一曲率确定目标高精车道线。
可选地,所述获取模块302还用于:
获取所述目标高精车道线对应的高精观测坐标系,以及所述感知车道线对应的感知观测坐标系;
获取所述目标高精车道线转换到车体坐标系下的第一坐标结果,所述车体坐标系与所述感知观测坐标系重合;
基于所述感知观测坐标系确定感知观测下观测点到所述目标三次曲线的感知观测误差,以及基于所述第一坐标结果确定高精观测下观测点到所述目标三次曲线的高精观测误差。
可选地,所述优化模块303还用于:
基于所述感知观测误差和所述高精观测误差对所述车道线模型对应的目标三次曲线的系数进行约束,以优化所述目标三次曲线。
本公开实施例中,通过基于高精观测误差和感知观测误差来优化车道线模型对应的目标三次曲线,从而提升车道线建模装置的精度。
需要说明的是,本公开实施例中所提供的所述装置能够实现上述图1所述方法实施例中的全部过程,并能达到相同的技术效果,为避免重复,此处不再赘述。
本公开实施例还提供了一种自动驾驶车辆,被配置为执行实现上述图1所述方法实施例中的全部过程,并能达到相同的技术效果,为避免重复,此处不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,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。
图4示出了可以用来实施本公开的实施例的示例电子设备400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4所示,电子设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储电子设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
电子设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许电子设备400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401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401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401执行上文所描述的各个方法和处理,例如车道线建模方法。例如,在一些实施例中,车道线建模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408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到电子设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行上文描述的车道线建模方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车道线建模方法。
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,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 (18)
1.一种车道线建模方法,包括:
基于高精车道线观测获取n个采样点,并根据所述n个采样点确定目标高精车道线,n为大于1的整数;
获取所述目标高精车道线关联的感知车道线,基于所述感知车道线获取感知观测误差,以及基于所述目标高精车道线获取高精观测误差;
基于所述感知观测误差和所述高精观测误差对车道线模型对应的目标三次曲线进行优化,以实现车道线建模。
2.根据权利要求1所述的方法,其中,所述基于高精车道线观测获取n个采样点,并根据所述n个采样点确定目标高精车道线,包括:
基于高精车道线观测获取n个采样点,并根据所述n个采样点确定第一高精车道线;
获取与参考曲率之间的差值大于第一预设阈值的目标第一曲率,并基于所述目标第一曲率确定目标高精车道线,所述目标高精车道线为所述第一高精车道线中的部分。
3.根据权利要求2所述的方法,其中,所述基于高精车道线观测获取n个采样点,并根据所述n个采样点确定第一高精车道线,包括:
基于高精车道线观测获取n个采样点;
基于所述n个采样点构建高精三次曲线,并获取拟合误差小于第二预设阈值的目标高精三次曲线,所述n个采样点包括所述目标高精三次曲线对应的采样点;
获取所述目标高精三次曲线对应的起始采样点和终止采样点,将所述起始采样点和所述终止采样点对应的高精车道线确定为所述第一高精车道线。
4.根据权利要求3所述的方法,其中,所述基于所述n个采样点构建高精三次曲线,并获取拟合误差小于第二预设阈值的目标高精三次曲线,包括:
基于所述n个采样点中第一个采样点至最后一个采样点构建第一高精三次曲线,并基于最小二乘法对所述第一高精三次曲线进行拟合;
基于所述第一高精三次曲线的拟合误差与所述第二预设阈值之间的差值确定二分查找的方向;
在确保拟合误差小于所述第二预设阈值的情况下,根据所述二分查找的方向对所述n个采样点进行二分查找并确定出索引值最大的采样点,基于所述索引值最大的采样点确定目标高精三次曲线;
其中,所述目标高精三次曲线对应的起始采样点为所述n个采样点中的第一个采样点,终止采样点为所述索引值最大的采样点。
5.根据权利要求2所述的方法,其中,所述获取与参考曲率之间的差值大于第一预设阈值的目标第一曲率,并基于所述目标第一曲率确定目标高精车道线,包括:
按照预设采样间隔在所述第一高精车道线上进行采样,并计算每个采样点对应的第一曲率;
获取与参考曲率之间的差值大于第一预设阈值的目标第一曲率,基于所述目标第一曲率确定目标高精车道线。
6.根据权利要求1所述的方法,其中,所述基于所述感知车道线获取感知观测误差,以及基于所述目标高精车道线获取高精观测误差,包括:
获取所述目标高精车道线对应的高精观测坐标系,以及所述感知车道线对应的感知观测坐标系;
获取所述目标高精车道线转换到车体坐标系下的第一坐标结果,所述车体坐标系与所述感知观测坐标系重合;
基于所述感知观测坐标系确定感知观测下观测点到所述目标三次曲线的感知观测误差,以及基于所述第一坐标结果确定高精观测下观测点到所述目标三次曲线的高精观测误差。
7.根据权利要求1所述的方法,其中,所述基于所述感知观测误差和所述高精观测误差对车道线模型对应的目标三次曲线进行优化,包括:
基于所述感知观测误差和所述高精观测误差对所述车道线模型对应的目标三次曲线的系数进行约束,以优化所述目标三次曲线。
8.一种车道线建模装置,包括:
确定模块,用于基于高精车道线观测获取n个采样点,并根据所述n个采样点确定目标高精车道线,n为大于1的整数;
获取模块,用于获取所述目标高精车道线关联的感知车道线,基于所述感知车道线获取感知观测误差,以及基于所述目标高精车道线获取高精观测误差;
优化模块,用于基于所述感知观测误差和所述高精观测误差对车道线模型对应的目标三次曲线进行优化,以实现车道线建模。
9.根据权利要求8所述的装置,其中,所述确定模块包括:
第一确定单元,用于基于高精车道线观测获取n个采样点,并根据所述n个采样点确定第一高精车道线;
获取单元,用于获取与参考曲率之间的差值大于第一预设阈值的目标第一曲率,并基于所述目标第一曲率确定目标高精车道线,所述目标高精车道线为所述第一高精车道线中的部分。
10.根据权利要求9所述的装置,其中,所述获取单元包括:
第一获取单元,用于基于高精车道线观测获取n个采样点;
第二获取单元,用于基于所述n个采样点构建高精三次曲线,并获取拟合误差小于第二预设阈值的目标高精三次曲线,所述n个采样点包括所述目标高精三次曲线对应的采样点;
第二确定单元,用于获取所述目标高精三次曲线对应的起始采样点和终止采样点,将所述起始采样点和所述终止采样点对应的高精车道线确定为所述第一高精车道线。
11.根据权利要求10所述的装置,其中,所述第二获取单元还用于:
基于所述n个采样点中第一个采样点至最后一个采样点构建第一高精三次曲线,并基于最小二乘法对所述第一高精三次曲线进行拟合;
基于所述第一高精三次曲线的拟合误差与所述第二预设阈值之间的差值确定二分查找的方向;
在确保拟合误差小于所述第二预设阈值的情况下,根据所述二分查找的方向对所述n个采样点进行二分查找并确定出索引值最大的采样点,基于所述索引值最大的采样点确定目标高精三次曲线;
其中,所述目标高精三次曲线对应的起始采样点为所述n个采样点中的第一个采样点,终止采样点为所述索引值最大的采样点。
12.根据权利要求9所述的装置,其中,所述获取单元还用于:
按照预设采样间隔在所述第一高精车道线上进行采样,并计算每个采样点对应的第一曲率;
获取与参考曲率之间的差值大于第一预设阈值的目标第一曲率,基于所述目标第一曲率确定目标高精车道线。
13.根据权利要求8所述的装置,其中,所述获取模块还用于:
获取所述目标高精车道线对应的高精观测坐标系,以及所述感知车道线对应的感知观测坐标系;
获取所述目标高精车道线转换到车体坐标系下的第一坐标结果,所述车体坐标系与所述感知观测坐标系重合;
基于所述感知观测坐标系确定感知观测下观测点到所述目标三次曲线的感知观测误差,以及基于所述第一坐标结果确定高精观测下观测点到所述目标三次曲线的高精观测误差。
14.根据权利要求8所述的装置,其中,所述优化模块还用于:
基于所述感知观测误差和所述高精观测误差对所述车道线模型对应的目标三次曲线的系数进行约束,以优化所述目标三次曲线。
15.一种电子设备,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1-7中任一项所述的方法。
16.一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1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
18.一种自动驾驶车辆,被配置为执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211082945.3A CN115320642A (zh) | 2022-09-06 | 2022-09-06 | 车道线建模方法、装置、电子设备及自动驾驶车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211082945.3A CN115320642A (zh) | 2022-09-06 | 2022-09-06 | 车道线建模方法、装置、电子设备及自动驾驶车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115320642A true CN115320642A (zh) | 2022-11-11 |
Family
ID=83929637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211082945.3A Withdrawn CN115320642A (zh) | 2022-09-06 | 2022-09-06 | 车道线建模方法、装置、电子设备及自动驾驶车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115320642A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2022
- 2022-09-06 CN CN202211082945.3A patent/CN115320642A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560680A (zh) | 车道线处理方法、装置、电子设备及存储介质 | |
CN112652036B (zh) | 道路数据的处理方法、装置、设备及存储介质 | |
CN114387319B (zh) | 点云配准方法、装置、设备以及存储介质 | |
EP4033208A2 (en) | Method and apparatus for correcting positioning information, 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 | |
CN115320642A (zh) | 车道线建模方法、装置、电子设备及自动驾驶车辆 | |
CN113219505B (zh) | 用于车路协同隧道场景的采集gps坐标的方法、装置和设备 | |
CN114743178A (zh) | 道路边缘线生成方法、装置、设备及存储介质 | |
CN113436233A (zh) | 自动驾驶车辆的配准方法、装置、电子设备和车辆 | |
EP4148690A2 (en) | Method and apparatus for generating a road edge line | |
CN115937449A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN113761090B (zh) | 一种基于点云地图的定位方法和装置 | |
CN113762397B (zh) | 检测模型训练、高精度地图更新方法、设备、介质及产品 | |
CN114647816A (zh) | 车道线的确定方法、装置、设备及存储介质 | |
CN114910892A (zh) | 一种激光雷达的标定方法、装置、电子设备及存储介质 | |
CN114170300A (zh) | 高精地图点云位姿优化方法、装置、设备及介质 | |
CN114625822A (zh) | 高精地图的更新方法、装置及电子设备 | |
CN114166238A (zh) | 车道线的识别方法、装置及电子设备 | |
CN114492573A (zh) | 一种基于松弛迭代的语义特征的地图匹配方法及装置 | |
CN114838737B (zh) | 一种行驶路径的确定方法、装置、电子设备及存储介质 | |
CN115320641A (zh) | 车道线建模方法、装置、电子设备及自动驾驶车辆 | |
CN113658277B (zh) | 立体匹配方法、模型训练方法、相关装置及电子设备 | |
CN115311635B (zh) | 车道线处理方法、装置、设备及存储介质 | |
CN113029136B (zh) | 定位信息处理的方法、设备、存储介质及程序产品 | |
CN115797585A (zh) | 一种停车场地图生成方法及装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221111 |