CN115468578B - 路径规划方法、装置、电子设备和计算机可读介质 - Google Patents
路径规划方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN115468578B CN115468578B CN202211365317.6A CN202211365317A CN115468578B CN 115468578 B CN115468578 B CN 115468578B CN 202211365317 A CN202211365317 A CN 202211365317A CN 115468578 B CN115468578 B CN 115468578B
- Authority
- CN
- China
- Prior art keywords
- obstacle
- traffic light
- area coordinate
- coordinate set
- coordinates
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000004888 barrier function Effects 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 16
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了路径规划方法、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：响应于检测到预获取的目标道路图像中不存在红绿灯信息，获取当前车辆车载相机拍摄的道路图像序列和与当前车辆所在位置对应的红绿灯坐标；对上述道路图像序列中的每个道路图像进行障碍物识别以生成障碍物外接边框信息组，得到障碍物外接边框信息组序列；基于上述障碍物外接边框信息组序列和上述红绿灯坐标，生成红绿灯盲区坐标集；对上述红绿灯盲区坐标集进行筛选处理，得到目标盲区坐标集；基于上述目标盲区坐标集，生成规划路径。该实施方式可以提高驾驶安全。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及路径规划方法、装置、电子设备和计算机可读介质。
背景技术
路径规划方法，是自动驾驶领域中的一项基础技术。目前，在进行路径规划时，通常采用的方式为：通过路径规划算法，确定可以绕开障碍物的规划路径。另外，若当前车辆前方的红绿灯被遮挡，当前车辆处于红绿灯的盲区内，则停止进行路径规划，采用被动跟车的方式，跟随前方车辆进行移动。
然而，发明人发现，当采用上述方式进行路径规划时，经常会存在如下技术问题：
第一，在当前车辆未进入实线路段时，若进入跟车移动的模式，会使得当前车辆盲目跟车，即前方车辆通过路口后红绿灯变为红灯或即将变为红灯，当前车辆也仍然在进行跟车，以此导致当前车辆容易出现闯红灯的可能，存在较高的安全隐患，降低了驾驶安全；
第二，未充分考虑红绿灯盲区对当前车辆的规划路径所产生的影响，导致生成的规划路径使当前车辆在移动过程中不能较好的避开红绿灯盲区，从而，导致当前车辆进入跟车模式，以此降低了驾驶安全。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
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路径规划方法、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路径规划方法，该方法包括：响应于检测到预获取的目标道路图像中不存在红绿灯信息，获取当前车辆车载相机拍摄的道路图像序列和与当前车辆所在位置对应的红绿灯坐标；对上述道路图像序列中的每个道路图像进行障碍物识别以生成障碍物外接边框信息组，得到障碍物外接边框信息组序列；基于上述障碍物外接边框信息组序列和上述红绿灯坐标，生成红绿灯盲区坐标集；对上述红绿灯盲区坐标集进行筛选处理，得到目标盲区坐标集；基于上述目标盲区坐标集，生成规划路径。
第二方面，本公开的一些实施例提供了一种路径规划装置，该装置包括：获取单元，被配置成响应于检测到预获取的目标道路图像中不存在红绿灯信息，获取当前车辆车载相机拍摄的道路图像序列和与当前车辆所在位置对应的红绿灯坐标；识别单元，被配置成对上述道路图像序列中的每个道路图像进行障碍物识别以生成障碍物外接边框信息组，得到障碍物外接边框信息组序列；第一生成单元，被配置成基于上述障碍物外接边框信息组序列和上述红绿灯坐标，生成红绿灯盲区坐标集；筛选处理单元，被配置成对上述红绿灯盲区坐标集进行筛选处理，得到目标盲区坐标集；第二生成单元，被配置成基于上述目标盲区坐标集，生成规划路径。
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路径规划方法，可以降低当前车辆闯红灯的可能性。具体来说，造成当前车辆容易出现闯红灯的可能的原因在于：在当前车辆未进入实线路段时，若进入跟车移动的模式，会使得当前车辆盲目跟车，即前方车辆通过路口后红绿灯变为红灯或即将变为红灯，当前车辆也仍然在进行跟车，以此导致当前车辆容易出现闯红灯的可能，存在较高的安全隐患，降低了驾驶安全。基于此，本公开的一些实施例的路径规划方法，首先，响应于检测到预获取的目标道路图像中不存在红绿灯信息，获取当前车辆车载相机拍摄的道路图像序列和与当前车辆所在位置对应的红绿灯坐标。其次，对上述道路图像序列中的每个道路图像进行障碍物识别以生成障碍物外接边框信息组，得到障碍物外接边框信息组序列。通过生成障碍物外接边框信息组序列可以便于后续确定红绿灯盲区。然后，基于上述障碍物外接边框信息组序列和上述红绿灯坐标，生成红绿灯盲区坐标集。接着，对上述红绿灯盲区坐标集进行筛选处理，得到目标盲区坐标集。通过筛选处理，可以用于进一步提高目标盲区坐标集的准确度。以此，可以得到更加准确的红绿灯盲区。最后，基于上述目标盲区坐标集，生成规划路径。也因为生成了更加准确的目标盲区坐标集，使得当前车辆根据生成的规划路径移动可以在一定程度上避免当前车辆前方的红绿灯被障碍物遮挡。从而，可以尽量避免当前车辆在路口进入跟车模式。进而，可以提高驾驶安全。
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是根据本公开的路径规划方法的一些实施例的流程图；
图2是根据本公开的路径规划装置的一些实施例的结构示意图；
图3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示出了根据本公开的路径规划方法的一些实施例的流程100。该路径规划方法，包括以下步骤：
步骤101，响应于检测到预获取的目标道路图像中不存在红绿灯信息，获取当前车辆车载相机拍摄的道路图像序列和与当前车辆所在位置对应的红绿灯坐标。
在一些实施例中，路径规划方法的执行主体可以响应于检测到预获取的目标道路图像中不存在红绿灯信息，通过有线方式或无线方式获取当前车辆车载相机拍摄的道路图像序列和与当前车辆所在位置对应的红绿灯坐标。其中，上述执行主体可以通过预先设置的图像检测算法，确定目标道路图像中是否存在红绿灯信息。目标道路图像可以是当前车辆车载相机拍摄的道路图像。目标道路图像与道路图像序列中的道路图像不同的是，目标道路图像拍摄时间在道路图像之前。道路图像序列中的道路图像可以是连续帧的。红绿灯坐标可以是红绿灯所在的坐标。
作为示例，上述图像检测算法可以包括但不限于以下至少一项：FCN（FullyConvolutional Networks，全卷机神经网络）模型、Resnet（Residual Network，残差神经网络）模型、VGG（Visual Geometry Group Network，卷积神经网络）模型和Google Net（深度神经网络）模型等。
在一些实施例的一些可选的实现方式中，上述执行主体获取当前车辆车载相机拍摄的道路图像序列和与当前车辆所在位置对应的红绿灯坐标，可以包括以下步骤：
第一步，获取当前车辆的车辆定位坐标和当前车辆车载相机在预设时间段内拍摄的道路图像序列。其中，可以从当前车辆的车载定位设备中获取车辆定位坐标。上述预设时间段可以是预先设置的时长。
作为示例，预设时间段可以是2秒。
第二步，从预设的高精地图数据中选出与上述车辆定位坐标相匹配的红绿灯坐标。其中，相匹配可以是红绿灯坐标表征的红绿灯与当前车辆定位坐标处于同一道路。这里，红绿灯坐标可以是从高精地图数据中选出的地图坐标系中的高精地图红绿灯坐标转换到上述车载相机的相机坐标系得到的。
步骤102，对道路图像序列中的每个道路图像进行障碍物识别以生成障碍物外接边框信息组，得到障碍物外接边框信息组序列。
在一些实施例中，上述执行主体可以通过各种方式对上述道路图像序列中的每个道路图像进行障碍物识别以生成障碍物外接边框信息组，得到障碍物外接边框信息组序列。
在一些实施例的一些可选的实现方式中，上述执行主体对上述道路图像序列中的每个道路图像进行障碍物识别以生成障碍物外接边框信息组，得到障碍物外接边框信息组序列，可以包括以下步骤：
第一步，对上述道路图像进行障碍物识别，得到障碍物识别信息组。其中，上述障碍物识别信息组中的每个障碍物识别信息可以包括：障碍物尺寸信息和障碍物位置姿态矩阵。其次，可以通过上述图像检测算法进行障碍物识别。这里，障碍物识别信息组中的每个障碍物识别信息可以用于表征道路图像中的一个障碍物的信息。障碍物尺寸信息可以是障碍物的尺寸值。例如，障碍物尺寸信息可以包括障碍物长度值、高度值和宽度值等。障碍物位置姿态矩阵可以用于表征障碍物的位置坐标和姿态。
第二步，利用上述障碍物识别信息组中的每个障碍物识别信息包括的障碍物尺寸信息和障碍物位置姿态矩阵生成障碍物外接边框信息，得到障碍物外接边框信息组。其中，上述障碍物外接边框信息组中的每个障碍物外接边框信息可以包括障碍物外接矩形和障碍物外接边框顶点坐标组。障碍物外接矩形可以是上述车载相机的相机坐标系中的三维矩形。障碍物外接边框顶点坐标组可以包括八个障碍物外接边框顶点坐标。障碍物外接边框顶点坐标可以表征障碍物外接矩形的顶点。这里，首先可以确定障碍物位置姿态矩阵中的障碍物坐标和方向向量。其次，在方向向量表征的方向上，依据障碍物尺寸信息包括的障碍物长度值、宽度值和高度值，构建障碍物外接矩形。同时，可以得到障碍物外接边框顶点坐标组。最后，可以将对应同一障碍物的障碍物外接边框和障碍物外接边框顶点坐标组确定为障碍物外接边框信息。由此，可以得到障碍物外接边框信息组。
步骤103，基于障碍物外接边框信息组序列和红绿灯坐标，生成红绿灯盲区坐标集。
在一些实施例中，上述执行主体基于上述障碍物外接边框信息组序列和上述红绿灯坐标，可以通过各种方式生成红绿灯盲区坐标集。
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障碍物外接边框信息组序列和上述红绿灯坐标，生成红绿灯盲区坐标集，可以包括以下步骤：
第一步，以上述车载相机的坐标点为原点，构建相机平面。其中，上述相机平面可以是相机坐标系中相机坐标所在的平面。这里，可以确定相机平面与地面是平行的。因此，可以通过车载相机的坐标点的纵坐标确定相机平面。
实践中，生成红绿灯盲区坐标集，可以是将各个障碍物对应的障碍物外接矩形的五个面（除去底面）投影至相机平面，得到投影面。这里，对面投影可以是对每个面对应的四个顶点坐标进行投影，投影后的点以此连接所围成的面即投影面。然后，取各个投影面的并集作为完整投影面。最后，完整投影面上的各个坐标点即为红绿灯盲区坐标集中的红绿灯盲区坐标。
第二步，对于上述障碍物外接边框信息组序列中的每个障碍物外接边框信息组中的每个障碍物外接边框信息，执行以下步骤以生成投影后区域坐标集：
第一子步骤，确定上述相机平面与上述障碍物外接边框信息包括的障碍物外接矩形之间相交四边形的四个平面顶点坐标。其中，相交四边形可以是相机平面在障碍物外接矩形中的截面。可以通过以下步骤生成四个平面顶点坐标中的每个平面顶点坐标：
其中，
表示坐标点。/>
表示上述障碍物外接边框信息包括的障碍物外接边框顶点坐标组中对应障碍物外接边框顶面的四个障碍物外接边框顶点坐标中的第一个障碍物外接边框顶点坐标。/>
表示上述障碍物外接边框信息包括的障碍物外接边框顶点坐标组中对应障碍物外接边框底面的四个障碍物外接边框顶点坐标中与上述第一个障碍物外接边框顶点坐标对应的障碍物外接边框顶点坐标。/>
表示上述平面顶点坐标。/>
表示上述相机平面中相机坐标的纵坐标值。/>
表示取括号内向量的前两个数据。/>
表示取括号内向量的第三个数据。
实践中，p1和p5可以是对应障碍物外接矩形中的一条棱，因此，p1、p5、p9存在对应关系。以此类推，其它顶点坐标也相互对应。由此，可以得到四个平面顶点坐标。
第二子步骤，以上述红绿灯坐标为起点，分别确定过上述障碍物外接边框信息中障碍物外接边框顶点坐标组包括的对应障碍物外接边框顶面的四个障碍物外接边框顶点坐标相交于上述相机平面的四个射线交点坐标。其中，可以通过以下公式生成四个射线角点坐标中的每个射线角点坐标：
其中，
表示上述射线角点坐标。/>
表示上述红绿灯坐标。/>
表示配平系数，用于配平等式。
第三子步骤，确定上述四个射线交点坐标与上述投影后顶点坐标组中的各个投影坐标之间的最小外接多边形。其中，最小外接多边形即可以表征投影后的完整投影面。
第四子步骤，将上述最小外接多边形所在区域的各个坐标确定为投影后区域坐标，得到投影后区域坐标集。
第三步，对所生成的各个投影后区域坐标集中的各个投影后区域坐标进行组合，以生成平面区域坐标集。其中，组合可以是确定所生成的各个投影后区域坐标集中的各个投影后区域坐标的并集，以此得到平面区域坐标集。
第四步，基于上述平面区域坐标集中各个平面区域坐标对应的时间戳，将上述平面区域坐标集中的每个平面区域坐标投影至预先构建的时空坐标系以生成红绿灯盲区坐标，得到红绿灯盲区坐标集。其中，上述时空坐标系的竖轴可以为时间轴。这里，时空坐标系可以是与相机坐标系处于同一原点。以此，时空坐标系的横纵坐标轴可以与相机坐标系保持一致，不同的是时空坐标系的竖轴为时间轴，原点的时间可以是车载相机拍摄上述目标道路图像的时间。沿时间轴向上时间递增。因此，上述投影可以是将平面区域坐标集中的每个平面区域坐标的纵坐标值变更为对应的时间戳，以作为红绿灯盲区坐标，得到红绿灯盲区坐标集。
步骤104，对红绿灯盲区坐标集进行筛选处理，得到目标盲区坐标集。
在一些实施例中，上述执行主体可以通过各种方式对上述红绿灯盲区坐标集进行筛选处理，得到目标盲区坐标集。
在一些实施例的一些可选的实现方式中，上述执行主体对上述红绿灯盲区坐标集进行筛选处理，得到目标盲区坐标集，可以包括以下步骤：
第一步，确定上述平面区域坐标集中每个平面区域坐标与上述红绿灯坐标之间的距离值，得到距离值集。其中，可以通过两点之间距离公式，确定每个平面区域坐标与红绿灯坐标之间的距离值。
第二步，将上述红绿灯盲区坐标集中对应距离值满足预设距离条件的红绿灯盲区坐标确定为目标盲区坐标，得到目标盲区坐标集。其中，上述预设距离条件可以是距离值小于预设距离阈值（例如，50米）。
步骤105，基于目标盲区坐标集，生成规划路径。
在一些实施例中，上述执行主体可以基于上述目标盲区坐标集，通过各种方式生成规划路径。
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盲区坐标集，生成规划路径，可以包括以下步骤：
基于上述目标盲区坐标集、预设的阴影区域权重系数和非阴影区域权重系数，在上述时空坐标系中进行路径规划，得到规划路径。其中，可以通过以下公式在上述时空坐标系中进行路径规划，以生成规划路径：
其中，
表示上述规划路径。/>
表示最小化目标函数。/>
表示最小化目标函数的目标为处于迭代过程中的规划路径。/>
表示时刻。/>
表示上述道路图像序列中第一个道路图像对应的时刻。/>
表示上述道路图像序列中最后一个道路图像对应的时刻。/>
表示损失函数，用于生成规划路径上路径坐标的损失值。/>
表示规划路径上/>
时刻的路径坐标。/>
表示规划路径上/>
时刻的路径坐标的损失值。/>
表示规划路径上路径坐标的横坐标值。/>
表示规划路径上/>
时刻的路径坐标的横坐标值。/>
表示规划路径上路径坐标的纵坐标值。/>
表示规划路径上/>
时刻的路径坐标的纵坐标值。/>
、
表示预设的权重值，用于参与计算损失值（例如，/>
取值可以为0，/>
取值可以为1）。/>
表示目标盲区坐标集。/>
可以表征路径坐标不属于目标盲区坐标集，即不在目标盲区坐标集对应的区域之内。/>
可以表征路径坐标属于目标盲区坐标集，即在目标盲区坐标集对应的区域之内。
另外，在迭代过程中，规划路径的生成需要满足路径坐标在时空坐标系中只能向正方向移动的条件。同时，可以通过预设的路径规划算法，为上述公式提供迭代过程中的规划路径。这里，规划路径算法可以包括但不限于以下至少一项：A星算法、人工势场、随机树算法、迪克斯特拉（Dijkstra）算法等。最后，上述公式可以通过ISAM（IncrementalSmoothing And Mapping，增量平滑和建图方法）、GTSAM（非线性优化库）等方法进行求解。
上述各个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“未充分考虑红绿灯盲区对当前车辆的规划路径所产生的影响，导致生成的规划路径使当前车辆在移动过程中不能较好的避开红绿灯盲区，从而，导致当前车辆进入跟车模式，以此降低了驾驶安全”。导致降低了驾驶安全的因素往往如下：未充分考虑红绿灯盲区对当前车辆的规划路径所产生的影响，导致生成的规划路径使当前车辆在移动过程中不能较好的避开红绿灯盲区，从而，导致当前车辆进入跟车模式，以此降低了驾驶安全。如果解决了上述因素，就能提高驾驶安全。为了达到这一效果，首先，通过生成障碍物外接矩形和障碍物外接边框顶点坐标，可以用于确定障碍物在相机坐标系中的位置坐标和空间占用区域。接着，考虑到自动驾驶车辆是通过车载相机拍摄道路图像进行红绿灯信息识别的。因此，通过构建相机平面，可以用于提高生成的遮挡红绿灯区域的准确度。然后，通过生成平面顶点坐标的公式，可以用于确定障碍物对应的障碍物外接矩形在相机平面内的截面的四个顶点坐标。再然后，通过上述生成射线交点坐标的公式，可以确定在红绿灯为光源的情况下，障碍物对应的障碍物外接矩形在相机平面内所能呈现的阴影区域的角点坐标。之后，通过组合，可以确定所有被遮挡的区域中的平面区域坐标。而后，通过引入时空坐标系，可以便于在时间序列中寻找最优的规划路径。另外，考虑到较远处的红绿灯盲区坐标的存在对当前车辆来说没有必要，因此通过预设距离条件过滤掉不符合条件的红绿灯盲区坐标。以此，提高生成的目标盲区坐标的准确度。最后，通过上述生成规划路径的公式个引入的权重系数。可以用于在时空坐标系中选出损失值最小的规划路径。从而，确保生成的规划路径可以最大限度的使得当前车辆在移动后可以避开红绿灯盲区。进而，可以在一定程度上避免当前车辆进入跟车模式，由此提高驾驶安全。
可选的，上述执行主体还可以将上述规划路径发送至上述当前车辆的控制终端以供控制当前车辆移动。
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路径规划方法，可以降低当前车辆闯红灯的可能性。具体来说，造成当前车辆容易出现闯红灯的可能的原因在于：在当前车辆未进入实线路段时，若进入跟车移动的模式，会使得当前车辆盲目跟车，即前方车辆通过路口后红绿灯变为红灯或即将变为红灯，当前车辆也仍然在进行跟车，以此导致当前车辆容易出现闯红灯的可能，存在较高的安全隐患，降低了驾驶安全。基于此，本公开的一些实施例的路径规划方法，首先，响应于检测到预获取的目标道路图像中不存在红绿灯信息，获取当前车辆车载相机拍摄的道路图像序列和与当前车辆所在位置对应的红绿灯坐标。其次，对上述道路图像序列中的每个道路图像进行障碍物识别以生成障碍物外接边框信息组，得到障碍物外接边框信息组序列。通过生成障碍物外接边框信息组序列可以便于后续确定红绿灯盲区。然后，基于上述障碍物外接边框信息组序列和上述红绿灯坐标，生成红绿灯盲区坐标集。接着，对上述红绿灯盲区坐标集进行筛选处理，得到目标盲区坐标集。通过筛选处理，可以用于进一步提高目标盲区坐标集的准确度。以此，可以得到更加准确的红绿灯盲区。最后，基于上述目标盲区坐标集，生成规划路径。也因为生成了更加准确的目标盲区坐标集，使得当前车辆根据生成的规划路径移动可以在一定程度上避免当前车辆前方的红绿灯被障碍物遮挡。从而，可以尽量避免当前车辆在路口进入跟车模式。进而，可以提高驾驶安全。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种路径规划装置的一些实施例，这些装置实施例与图1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2所示，一些实施例的路径规划装置200包括：获取单元201、识别单元202、第一生成单元203、筛选处理单元204和第二生成单元205。其中，获取单元201，被配置成响应于检测到预获取的目标道路图像中不存在红绿灯信息，获取当前车辆车载相机拍摄的道路图像序列和与当前车辆所在位置对应的红绿灯坐标；识别单元202，被配置成对上述道路图像序列中的每个道路图像进行障碍物识别以生成障碍物外接边框信息组，得到障碍物外接边框信息组序列；第一生成单元203，被配置成基于上述障碍物外接边框信息组序列和上述红绿灯坐标，生成红绿灯盲区坐标集；筛选处理单元204，被配置成对上述红绿灯盲区坐标集进行筛选处理，得到目标盲区坐标集；第二生成单元205，被配置成基于上述目标盲区坐标集，生成规划路径。
可以理解的是，该装置200中记载的诸单元与参考图1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200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3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3所示，电子设备300可以包括处理装置301（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：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306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，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3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309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301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（Hyper Text 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：响应于检测到预获取的目标道路图像中不存在红绿灯信息，获取当前车辆车载相机拍摄的道路图像序列和与当前车辆所在位置对应的红绿灯坐标；对上述道路图像序列中的每个道路图像进行障碍物识别以生成障碍物外接边框信息组，得到障碍物外接边框信息组序列；基于上述障碍物外接边框信息组序列和上述红绿灯坐标，生成红绿灯盲区坐标集；对上述红绿灯盲区坐标集进行筛选处理，得到目标盲区坐标集；基于上述目标盲区坐标集，生成规划路径。
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、识别单元、第一生成单元、筛选处理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“获取当前车辆车载相机拍摄的道路图像序列和与当前车辆所在位置对应的红绿灯坐标的单元”。
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)
1.一种路径规划方法，包括：
响应于检测到预获取的目标道路图像中不存在红绿灯信息，获取当前车辆车载相机拍摄的道路图像序列和与当前车辆所在位置对应的红绿灯坐标；
对所述道路图像序列中的每个道路图像进行障碍物识别以生成障碍物外接边框信息组，得到障碍物外接边框信息组序列；
基于所述障碍物外接边框信息组序列和所述红绿灯坐标，生成红绿灯盲区坐标集；
对所述红绿灯盲区坐标集进行筛选处理，得到目标盲区坐标集；
基于所述目标盲区坐标集，生成规划路径；
其中，所述对所述道路图像序列中的每个道路图像进行障碍物识别以生成障碍物外接边框信息组，包括：
对所述道路图像进行障碍物识别，得到障碍物识别信息组，其中，所述障碍物识别信息组中的每个障碍物识别信息包括：障碍物尺寸信息和障碍物位置姿态矩阵；
利用所述障碍物识别信息组中的每个障碍物识别信息包括的障碍物尺寸信息和障碍物位置姿态矩阵生成障碍物外接边框信息，得到障碍物外接边框信息组，其中，所述障碍物外接边框信息组中的每个障碍物外接边框信息包括障碍物外接矩形和障碍物外接边框顶点坐标组；
其中，所述基于所述障碍物外接边框信息组序列和所述红绿灯坐标，生成红绿灯盲区坐标集，包括：
以所述车载相机的坐标点为原点，构建相机平面；
对于所述障碍物外接边框信息组序列中的每个障碍物外接边框信息组中的每个障碍物外接边框信息，执行以下步骤以生成投影后区域坐标集：
确定所述相机平面与所述障碍物外接边框信息包括的障碍物外接矩形之间相交四边形的四个平面顶点坐标；
以所述红绿灯坐标为起点，分别确定过所述障碍物外接边框信息中障碍物外接边框顶点坐标组包括的对应障碍物外接边框顶面的四个障碍物外接边框顶点坐标相交于所述相机平面的四个射线交点坐标；
确定所述四个射线交点坐标与所述四个平面顶点坐标之间的最小外接多边形；
将所述最小外接多边形所在区域的各个坐标确定为投影后区域坐标，得到投影后区域坐标集；
对所生成的各个投影后区域坐标集中的各个投影后区域坐标进行组合，以生成平面区域坐标集；
基于所述平面区域坐标集中各个平面区域坐标对应的时间戳，将所述平面区域坐标集中的每个平面区域坐标投影至预先构建的时空坐标系以生成红绿灯盲区坐标，得到红绿灯盲区坐标集，其中，所述时空坐标系的竖轴为时间轴；
其中，所述基于所述目标盲区坐标集，生成规划路径，包括：
基于所述目标盲区坐标集、预设的阴影区域权重系数和非阴影区域权重系数，在所述时空坐标系中进行路径规划，得到规划路径。
2.根据权利要求1所述的方法，其中，所述方法还包括：
将所述规划路径发送至所述当前车辆的控制终端以供控制当前车辆移动。
3.根据权利要求1所述的方法，其中，所述获取当前车辆车载相机拍摄的道路图像序列和与当前车辆所在位置对应的红绿灯坐标，包括：
获取当前车辆的车辆定位坐标和当前车辆车载相机在预设时间段内拍摄的道路图像序列；
从预设的高精地图数据中选出与所述车辆定位坐标相匹配的红绿灯坐标。
4.根据权利要求1所述的方法，其中，所述对所述红绿灯盲区坐标集进行筛选处理，得到目标盲区坐标集，包括：
确定所述平面区域坐标集中每个平面区域坐标与所述红绿灯坐标之间的距离值，得到距离值集；
将所述红绿灯盲区坐标集中对应距离值满足预设距离条件的红绿灯盲区坐标确定为目标盲区坐标，得到目标盲区坐标集。
5.一种路径规划装置，包括：
获取单元，被配置成响应于检测到预获取的目标道路图像中不存在红绿灯信息，获取当前车辆车载相机拍摄的道路图像序列和与当前车辆所在位置对应的红绿灯坐标；
识别单元，被配置成对所述道路图像序列中的每个道路图像进行障碍物识别以生成障碍物外接边框信息组，得到障碍物外接边框信息组序列；
第一生成单元，被配置成基于所述障碍物外接边框信息组序列和所述红绿灯坐标，生成红绿灯盲区坐标集；
筛选处理单元，被配置成对所述红绿灯盲区坐标集进行筛选处理，得到目标盲区坐标集；
第二生成单元，被配置成基于所述目标盲区坐标集，生成规划路径；
其中，所述对所述道路图像序列中的每个道路图像进行障碍物识别以生成障碍物外接边框信息组，包括：
对所述道路图像进行障碍物识别，得到障碍物识别信息组，其中，所述障碍物识别信息组中的每个障碍物识别信息包括：障碍物尺寸信息和障碍物位置姿态矩阵；
利用所述障碍物识别信息组中的每个障碍物识别信息包括的障碍物尺寸信息和障碍物位置姿态矩阵生成障碍物外接边框信息，得到障碍物外接边框信息组，其中，所述障碍物外接边框信息组中的每个障碍物外接边框信息包括障碍物外接矩形和障碍物外接边框顶点坐标组；
其中，所述基于所述障碍物外接边框信息组序列和所述红绿灯坐标，生成红绿灯盲区坐标集，包括：
以所述车载相机的坐标点为原点，构建相机平面；
对于所述障碍物外接边框信息组序列中的每个障碍物外接边框信息组中的每个障碍物外接边框信息，执行以下步骤以生成投影后区域坐标集：
确定所述相机平面与所述障碍物外接边框信息包括的障碍物外接矩形之间相交四边形的四个平面顶点坐标；
以所述红绿灯坐标为起点，分别确定过所述障碍物外接边框信息中障碍物外接边框顶点坐标组包括的对应障碍物外接边框顶面的四个障碍物外接边框顶点坐标相交于所述相机平面的四个射线交点坐标；
确定所述四个射线交点坐标与所述四个平面顶点坐标之间的最小外接多边形；
将所述最小外接多边形所在区域的各个坐标确定为投影后区域坐标，得到投影后区域坐标集；
对所生成的各个投影后区域坐标集中的各个投影后区域坐标进行组合，以生成平面区域坐标集；
基于所述平面区域坐标集中各个平面区域坐标对应的时间戳，将所述平面区域坐标集中的每个平面区域坐标投影至预先构建的时空坐标系以生成红绿灯盲区坐标，得到红绿灯盲区坐标集，其中，所述时空坐标系的竖轴为时间轴；
其中，所述基于所述目标盲区坐标集，生成规划路径，包括：
基于所述目标盲区坐标集、预设的阴影区域权重系数和非阴影区域权重系数，在所述时空坐标系中进行路径规划，得到规划路径。
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，所述计算机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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211365317.6A CN115468578B (zh) | 2022-11-03 | 2022-11-03 | 路径规划方法、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 |
|---|---|---|---|
| CN202211365317.6A CN115468578B (zh) | 2022-11-03 | 2022-11-03 | 路径规划方法、装置、电子设备和计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115468578A CN115468578A (zh) | 2022-12-13 |
| CN115468578B true CN115468578B (zh) | 2023-03-24 |
Family
ID=84338193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211365317.6A Active CN115468578B (zh) | 2022-11-03 | 2022-11-03 | 路径规划方法、装置、电子设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115468578B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116563817B (zh) * | 2023-04-14 | 2024-02-20 | 禾多科技（北京）有限公司 | 障碍物信息生成方法、装置、电子设备和计算机可读介质 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210027629A1 (en) * | 2019-07-25 | 2021-01-28 | Baidu Usa Llc | Blind area processing for autonomous driving vehicles |
| WO2021196145A1 (zh) * | 2020-04-02 | 2021-10-07 | 华为技术有限公司 | 一种车辆盲区识别方法、自动驾驶辅助系统以及包括该系统的智能驾驶车辆 |
| CN112017430A (zh) * | 2020-07-27 | 2020-12-01 | 南京市德赛西威汽车电子有限公司 | 一种基于v2x的路口盲区辅助驾驶方法及系统 |
| CN112071103A (zh) * | 2020-08-28 | 2020-12-11 | 郭荣江 | 汽车自动驾驶方法与道路系统 |
| JP2024508812A (ja) * | 2021-02-24 | 2024-02-28 | 華為技術有限公司 | 支援運転方法、パーキングスロット、チップ、電子デバイス、および記憶媒体 |
| CN113291318B (zh) * | 2021-05-28 | 2022-06-28 | 同济大学 | 基于部分可观测马尔科夫模型的无人车盲区转弯规划方法 |
| CN113393706A (zh) * | 2021-07-14 | 2021-09-14 | 云度新能源汽车有限公司 | 基于智能交通十字路口的自动驾驶盲区预警系统及方法 |
| CN113963330A (zh) * | 2021-10-21 | 2022-01-21 | 京东鲲鹏(江苏)科技有限公司 | 障碍物检测方法、装置、电子设备及存储介质 |
| CN114030483B (zh) * | 2021-12-16 | 2024-06-07 | 阿波罗智联(北京)科技有限公司 | 车辆控制方法、装置、电子设备和介质 |
| CN115257728B (zh) * | 2022-10-08 | 2022-12-23 | 杭州速玛科技有限公司 | 一种用于自动驾驶的盲区风险区检测方法 |
-
2022
- 2022-11-03 CN CN202211365317.6A patent/CN115468578B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115468578A (zh) | 2022-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111079619B (zh) | 用于检测图像中的目标对象的方法和装置 | |
| CN115540896B (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
| CN112258519B (zh) | 一种高精度地图制作中道路的让行线自动化提取方法及装置 | |
| CN113607185B (zh) | 车道线信息显示方法、装置、电子设备和计算机可读介质 | |
| CN113989450A (zh) | 图像处理方法、装置、电子设备和介质 | |
| CN114993328B (zh) | 车辆定位评估方法、装置、设备和计算机可读介质 | |
| US11699234B2 (en) | Semantic segmentation ground truth correction with spatial transformer networks | |
| CN113269168B (zh) | 障碍物数据处理方法、装置、电子设备和计算机可读介质 | |
| CN115468578B (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
| CN114550116A (zh) | 一种对象识别方法和装置 | |
| CN110321854B (zh) | 用于检测目标对象的方法和装置 | |
| CN115540894A (zh) | 车辆轨迹规划方法、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 | |
| CN110377776B (zh) | 生成点云数据的方法和装置 | |
| CN116563818A (zh) | 障碍物信息生成方法、装置、电子设备和计算机可读介质 | |
| CN116311155A (zh) | 障碍物信息生成方法、装置、电子设备和计算机可读介质 | |
| CN116091716A (zh) | 一种基于深度学习的高精度地图自动化制作系统及方法 | |
| CN115588180A (zh) | 地图生成方法、装置、电子设备、介质和程序产品 | |
| CN115468579B (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
| CN111383337B (zh) | 用于识别对象的方法和装置 | |
| CN115507873B (zh) | 基于公交车尾红绿灯的路径规划方法、装置、设备和介质 | |
| CN114136327A (zh) | 一种虚线段的查全率的自动化检查方法及系统 | |
| CN114119973A (zh) | 一种基于图像语义分割网络的空间距离预测方法及系统 | |
| CN116563817B (zh) | 障碍物信息生成方法、装置、电子设备和计算机可读介质 | |
| CN114581621B (zh) | 地图数据处理方法、装置、电子设备和介质 |
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 |