CN115471708A - 车道线类型信息生成方法、装置、设备和计算机可读介质 - Google Patents

车道线类型信息生成方法、装置、设备和计算机可读介质 Download PDF

Info

Publication number
CN115471708A
CN115471708A CN202211178064.1A CN202211178064A CN115471708A CN 115471708 A CN115471708 A CN 115471708A CN 202211178064 A CN202211178064 A CN 202211178064A CN 115471708 A CN115471708 A CN 115471708A
Authority
CN
China
Prior art keywords
lane line
line type
obstacle
entropy
obstacle behavior
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
Application number
CN202211178064.1A
Other languages
English (en)
Other versions
CN115471708B (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.)
HoloMatic Technology Beijing 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 CN202211178064.1A priority Critical patent/CN115471708B/zh
Publication of CN115471708A publication Critical patent/CN115471708A/zh
Application granted granted Critical
Publication of CN115471708B publication Critical patent/CN115471708B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开的实施例公开了车道线类型信息生成方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括：将障碍物行为标识集中的每个障碍物行为标识添加至预先存储的历史障碍物行为标识序列集中对应的历史障碍物行为标识序列中以生成目标障碍物行为标识序列，得到目标障碍物行为标识序列集；生成与目标障碍物行为标识序列集中每个目标障碍物行为标识序列对应的车道线类型概率熵减值和车道线类型概率分布曲线；将与每个满足预设熵减值条件的车道线类型概率熵减值对应的车道线类型概率分布曲线中车道线类型概率值最大的车道线类型标识确定为车道线类型信息。该实施方式可以提高生成的车道线类型信息的准确度。

Description

车道线类型信息生成方法、装置、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，具体涉及车道线类型信息生成方法、装置、设备和计算机可读介质。
背景技术
车道线类型信息生成，对自动驾驶领域具有重要意义。目前，在进行车道线信息生成时，通常采用的方式为：通过神经网络对道路图像进行车道线类型检测，得到车道线类型检测信息。
然而，发明人发现，当采用上述方式进行车道线类型信息生成时，经常会存在如下技术问题：
第一，未考虑将障碍物行为与车道线之间的潜在关系，因此，难以确保对较远处车道线的车道线类型检测的准确度，从而，导致生成的车道线类型信息的准确度降低；
第二，由于道路图像的图像视野中较远处车道线的特征较少，导致较远处车道线的特征点在图像视野中连接成一片，使得难以区分较远处车道线的类型为实线或虚线，从而，导致车道线类型容易被误检，进而，导致生成的车道线类型信息的准确度降低。
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车道线类型信息生成方法、装置、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车道线类型信息生成方法，该方法包括：对预获取的道路图像进行障碍物行为检测处理，以生成障碍物行为标识集；将上述障碍物行为标识集中的每个障碍物行为标识添加至预先存储的历史障碍物行为标识序列集中对应的历史障碍物行为标识序列中以生成目标障碍物行为标识序列，得到目标障碍物行为标识序列集，其中，上述目标障碍物行为标识序列集中的每个目标障碍物行为标识序列对应当前车辆所在道路上的一条车道线；基于预设的车道线类型先验概率信息，生成与上述目标障碍物行为标识序列集中每个目标障碍物行为标识序列对应的车道线类型概率熵减值和车道线类型概率分布曲线，得到车道线类型概率熵减值集和车道线类型概率分布曲线集；响应于确定上述车道线类型概率熵减值集中存在满足预设熵减值条件的车道线类型概率熵减值，将与每个满足预设熵减值条件的车道线类型概率熵减值对应的车道线类型概率分布曲线中车道线类型概率值最大的车道线类型标识确定为车道线类型信息，得到车道线类型信息集。
第二方面，本公开的一些实施例提供了一种车道线类型信息生成装置，该装置包括：检测处理单元，被配置成对预获取的道路图像进行障碍物行为检测处理，以生成障碍物行为标识集；添加单元，被配置成将上述障碍物行为标识集中的每个障碍物行为标识添加至预先存储的历史障碍物行为标识序列集中对应的历史障碍物行为标识序列中以生成目标障碍物行为标识序列，得到目标障碍物行为标识序列集，其中，上述目标障碍物行为标识序列集中的每个目标障碍物行为标识序列对应当前车辆所在道路上的一条车道线；生成单元，被配置成基于预设的车道线类型先验概率信息，生成与上述目标障碍物行为标识序列集中每个目标障碍物行为标识序列对应的车道线类型概率熵减值和车道线类型概率分布曲线，得到车道线类型概率熵减值集和车道线类型概率分布曲线集；确定单元，被配置成响应于确定上述车道线类型概率熵减值集中存在满足预设熵减值条件的车道线类型概率熵减值，将与每个满足预设熵减值条件的车道线类型概率熵减值对应的车道线类型概率分布曲线中车道线类型概率值最大的车道线类型标识确定为车道线类型信息，得到车道线类型信息集。
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。
第五方面，本公开的一些实施例提供了一种计算机程序产品，包括计算机程序，计算机程序在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车道线类型信息生成方法，可以提高生成的车道线类型信息的准确度。具体来说，造成生成的车道线类型信息的准确度降低的原因在于：未考虑将障碍物行为与车道线之间的潜在关系，因此，难以确保对较远处车道线的车道线类型检测的准确度。基于此，本公开的一些实施例的车道线类型信息生成方法，首先，对预获取的道路图像进行障碍物行为检测处理，以生成障碍物行为标识集。考虑到了障碍物行为与车道线类型之间的潜在关系，因此，通过障碍物行为检测处理，生成障碍物的行为标识，以便于引入障碍物行为。其次，将上述障碍物行为标识集中的每个障碍物行为标识添加至预先存储的历史障碍物行为标识序列集中对应的历史障碍物行为标识序列中以生成目标障碍物行为标识序列，得到目标障碍物行为标识序列集。其中，上述目标障碍物行为标识序列集中的每个目标障碍物行为标识序列对应当前车辆所在道路上的一条车道线。通过添加，可以用于综合考虑当前时刻的障碍物行为标识与历史时间段内的历史障碍物行为标识与车道线类型之间的潜在关系。接着，基于预设的车道线类型先验概率信息，生成与上述目标障碍物行为标识序列集中每个目标障碍物行为标识序列对应的车道线类型概率熵减值和车道线类型概率分布曲线，得到车道线类型概率熵减值集和车道线类型概率分布曲线集。通过引入车道线类型先验概率信息，可以用于确保引入的障碍物行为与车道线类型之间潜在关系可以有益于车道线类型的确定。从而，可以确保生成的车道线类型概率熵减值集和车道线类型概率分布曲线集的准确度。这里，通过生成车道线类型概率分布曲线集，可以用于表征当前车辆所在车道上各条车道线的车道线类型的概率值。最后，响应于确定上述车道线类型概率熵减值集中存在满足预设熵减值条件的车道线类型概率熵减值，将与每个满足预设熵减值条件的车道线类型概率熵减值对应的车道线类型概率分布曲线中车道线类型概率值最大的车道线类型标识确定为车道线类型信息，得到车道线类型信息集。也因为生成了车道线类型概率熵减值集，可以通过引入的预设熵减值条件，筛选出符合条件的车道线类型概率分布曲线。以此可以选出车道线类型概率值最大的车道线类型作为车道线类型信息。从而，可以最大限度的确保车道线类型检测的准确度。进而，可以提高生成的车道线类型信息的准确度。
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是根据本公开的车道线类型信息生成方法的一些实施例的流程图；
图2是根据本公开的车道线类型信息生成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车道线类型信息生成方法的一些实施例的流程100。该车道线类型信息生成方法，包括以下步骤：
步骤101，对预获取的道路图像进行障碍物行为检测处理，以生成障碍物行为标识集。
在一些实施例中，车道线类型信息生成方法的执行主体可以对预获取的道路图像进行障碍物行为检测处理，以生成障碍物行为标识集。其中，上述道路图像可以是当前车辆的车载相机拍摄的图像。
在一些实施例的一些可选的实现方式中，上述执行主体对预获取的道路图像进行障碍物行为检测处理，以生成障碍物行为标识集，可以包括以下步骤：
第一步，对上述道路图像进行障碍物行为检测，得到障碍物行为检测信息集。其中，上述障碍物行为检测信息集中的每个障碍物行为检测信息可以包括初始障碍物行为标识和障碍物关联车道线序号组。每个障碍物关联车道线序号组中的各个障碍物关联车道线序号可以表征障碍物所在车道两侧车道线的序号。这里，可以通过预设的图像检测算法，对上述道路图像进行障碍物行为检测，得到障碍物行为检测信息集。另外，障碍物行为标识可以用于唯一标识一个障碍物的行为。障碍物的行为可以包括但不限于以下至少一项：保持原车道行驶行为、向左变道行为、向右变道行为、打左转向灯行为、打右转向灯行为等。
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：G-CRF（Gaus-conditional random field，高斯条件随机场）模型、DenseCRF（Fully-ConnectedConditional Random Fields，全连接条件随机场）模型、MRF（MRF-Markov Random Field，马尔科夫条件随机场）模型。
第二步，对上述障碍物行为检测信息集中每个障碍物行为检测信息包括的初始障碍物行为标识与障碍物关联车道线序号组中的每个障碍物关联车道线序号进行组合处理以生成障碍物行为标识，得到障碍物行为标识集。其中，组合处理可以是将初始障碍物行为标识与障碍物关联车道线序号进行首位拼接。从而，得到的障碍物行为标识可以同时对应一个障碍物行为与一条车道线的车道线类型。
步骤102，将障碍物行为标识集中的每个障碍物行为标识添加至预先存储的历史障碍物行为标识序列集中对应的历史障碍物行为标识序列中以生成目标障碍物行为标识序列，得到目标障碍物行为标识序列集。
在一些实施例中，上述执行主体可以将上述障碍物行为标识集中的每个障碍物行为标识添加至预先存储的历史障碍物行为标识序列集中对应的历史障碍物行为标识序列中以生成目标障碍物行为标识序列，得到目标障碍物行为标识序列集。其中，上述目标障碍物行为标识序列集中的每个目标障碍物行为标识序列可以对应当前车辆所在道路上的一条车道线，即历史障碍物行为标识序列中的各个历史障碍物行为标识可以用于表征与该条车道线关联的历史识别到的障碍物行为。历史障碍物行为标识序列集中历史障碍物行为标识序列中的各个历史障碍物行为标识可以是历史时间段内的连续时间点得到的障碍物行为标识。这里，添加可以是将障碍物行为标识添加至对应同一车道线的历史障碍物行为标识序列中，以生成目标障碍物行为标识序列。
作为示例，障碍物向右变道，则该障碍物与所在车道的右侧车道线存在关联。实践中，在障碍物遵守交通规则的情况下，通过此种方式，可以用于判定障碍物所在车道右侧车道线为可变到的虚线。
步骤103，基于预设的车道线类型先验概率信息，生成与目标障碍物行为标识序列集中每个目标障碍物行为标识序列对应的车道线类型概率熵减值和车道线类型概率分布曲线，得到车道线类型概率熵减值集和车道线类型概率分布曲线集。
在一些实施例中，上述执行主体可以基于预设的车道线类型先验概率信息，通过各种方式，生成与上述目标障碍物行为标识序列集中每个目标障碍物行为标识序列对应的车道线类型概率熵减值和车道线类型概率分布曲线，得到车道线类型概率熵减值集和车道线类型概率分布曲线集。
在一些实施例的一些可选的实现方式中，上述车道线类型先验概率信息可以包括车道线类型先验概率分布曲线。上述执行主体基于预设的车道线类型先验概率信息，生成与上述目标障碍物行为标识序列集中每个目标障碍物行为标识序列对应的车道线类型概率熵减值和车道线类型概率分布曲线，得到车道线类型概率熵减值集和车道线类型概率分布曲线集，可以包括以下步骤：
利用上述目标障碍物行为标识序列中的各个目标障碍物行为标识，对上述车道线类型概率分布曲线进行更新，得到车道线类型概率分布曲线。其中，车道线类型先验概率信息可以是预先生成的车道线类型概率信息。车道线类型先验概率分布曲线可以用于表征以某一障碍物行为为条件、一条车道线的车道线类型的先验概率分布。这里，车道线类型为实线或虚线。那么，车道线类型先验概率分布曲线的横坐标轴可以包括实线和虚线两个刻度。另外，上述车道线类型先验概率信息还可以包括障碍物行为相对先验概率值组集合。该障碍物行为相对先验概率值组集合中的每个障碍物行为相对先验概率值组可以对应一条车道线，即，每个障碍物行为相对先验概率值组中的每个障碍物行为相对先验概率值可以表征在上述车道线为某一车道线类型时，障碍物车辆进行某一障碍物行为的概率。因此，障碍物行为相对先验概率值组集合中的每个障碍物行为相对先验概率值组与上述目标障碍物行为标识序列可以对应同一条车道线。障碍物行为相对先验概率值组中的各个障碍物行为相对先验概率值也可以与目标障碍物行为标识序列中的目标障碍物行为标识一一对应。
具体的，可以从上述目标障碍物行为标识序列中取出一个目标障碍物行为标识作为选定障碍物行为标识，以及将上述车道线类型概率分布曲线作为待更新车道线类型概率分布曲线，执行以下更新步骤：
第一步，利用选定障碍物行为标识对待更新车道线类型概率分布曲线进行更新，以生成更新后车道线类型概率分布曲线。其中，可以通过以下公式对待更新车道线类型概率分布曲线进行更新：
Figure DEST_PATH_IMAGE001
。
其中，
Figure 660147DEST_PATH_IMAGE002
表示车道线类型，包括实线类型和虚线类型。
Figure DEST_PATH_IMAGE003
表示上述更新后车道线类型概率分布曲线。
Figure 661601DEST_PATH_IMAGE004
表示上述选定障碍物行为标识。
Figure DEST_PATH_IMAGE005
表示上述障碍物行为相对先验概率值组集合中与上述选定障碍物行为标识对应的障碍物行为相对先验概率值。
Figure 532605DEST_PATH_IMAGE006
表示上述待更新车道线类型概率分布曲线。
第二步，响应于确定上述目标障碍物行为标识序列中存在目标障碍物行为标识，从上述目标障碍物行为标识序列中取出一个目标障碍物行为标识作为选定障碍物行为标识，将更新后车道线类型概率分布曲线作为待更新车道线类型概率分布曲线，再次执行上述更新步骤。
第三步，响应于确定上述目标障碍物行为标识序列中不存在目标障碍物行为标识，将更新后车道线类型概率分布曲线确定为上述车道线类型概率分布曲线。
在一些实施例的一些可选的实现方式中，上述执行主体基于预设的车道线类型先验概率信息，生成与上述目标障碍物行为标识序列集中每个障碍物行为标识序列对应的车道线类型概率熵减值和车道线类型概率分布曲线，还可以包括以下步骤：
第一步，获取与上述目标障碍物行为标识序列中各个目标障碍物行为标识对应的车道线类型条件熵。其中，与上述目标障碍物行为标识序列中各个目标障碍物行为标识对应的车道线类型条件熵可以是预先生成的。车道线类型条件熵可以是：在确定车道线为某一车道线类型时、被从道路图像中检测到的车道线类型的条件熵。
第二步，基于上述车道线类型条件熵和上述车道线类型概率分布曲线，生成与上述目标障碍物行为标识序列对应的车道线类型概率熵减值。其中，可以通过以下公式生成与上述目标障碍物行为标识序列对应的车道线类型概率熵减值：
Figure DEST_PATH_IMAGE007
。
其中，
Figure 686637DEST_PATH_IMAGE008
表示上述车道线类型概率熵减值。
Figure DEST_PATH_IMAGE009
表示上述目标障碍物行为标识序列。
Figure 352104DEST_PATH_IMAGE010
表示从道路图像中检测到与上述目标障碍物行为标识序列对应车道线的车道线类型。
Figure DEST_PATH_IMAGE011
表示从道路图像中检测到与上述目标障碍物行为标识序列对应车道线的车道线类型为
Figure 293384DEST_PATH_IMAGE010
，该车道线的实际车道线类型为
Figure 295975DEST_PATH_IMAGE002
的条件熵。
Figure 288202DEST_PATH_IMAGE012
表示上述车道线类型条件熵。
Figure DEST_PATH_IMAGE013
表示上述车道线类型概率分布曲线中横轴刻度为
Figure 390150DEST_PATH_IMAGE002
的条件概率值，表征从道路图像中检测到与上述目标障碍物行为标识序列对应车道线的车道线类型为
Figure 897355DEST_PATH_IMAGE010
时，车道线的实际车道线类型为
Figure 389123DEST_PATH_IMAGE002
的条件概率。
步骤104，响应于确定车道线类型概率熵减值集中存在满足预设熵减值条件的车道线类型概率熵减值，将与每个满足预设熵减值条件的车道线类型概率熵减值对应的车道线类型概率分布曲线中车道线类型概率值最大的车道线类型标识确定为车道线类型信息，得到车道线类型信息集。
在一些实施例中，上述执行主体可以响应于确定上述车道线类型概率熵减值集中存在满足预设熵减值条件的车道线类型概率熵减值，将与每个满足预设熵减值条件的车道线类型概率熵减值对应的车道线类型概率分布曲线中车道线类型概率值最大的车道线类型标识确定为车道线类型信息，得到车道线类型信息集。其中，可以将车道线类型概率分布曲线中最大车道线类型概率值对应的横轴刻度（即，车道线类型）确定为车道线类型信息。上述预设熵减值条件可以是车道线类型概率熵减值小于预设熵减阈值。这里，车道线类型概率熵减值满足预设熵减值条件，可以表征对应的车道线类型概率分布曲线中的不确定度较低，因此，对应车道线类型概率值最大的车道线类型的准确度可信度较高。从而，可以作为车道线类型信息。
作为示例，预设熵减阈值的取值范围可以是[0，1]。例如，可以取值0.5。
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“由于道路图像的图像视野中较远处车道线的特征较少，导致较远处车道线的特征点在图像视野中连接成一片，使得难以区分较远处车道线的类型为实线或虚线，从而，导致车道线类型容易被误检，进而，导致生成的车道线类型信息的准确度降低”。导致车道线类型容易被误检的因素往往如下：由于道路图像的图像视野中较远处车道线的特征较少，导致较远处车道线的特征点在图像视野中连接成一片，使得难以区分较远处车道线的类型为实线或虚线。如果解决了上述因素，就能降低车道线类型容易被误检的概率。为了达到这一效果，首先，通过引入车道线类型先验概率信息，可以用于作为生成车道线类型概率分布曲线的先验信息。其次，通过上述生成车道线类型概率分布曲线的公式，以一段时间内的目标障碍物行为标识序列为条件，用于生成车道线类型概率分布曲线。接着，通过引入车道线类型条件熵和上述生成车道线类型概率熵减值的公式，可以用于生成车道线类型概率熵减值。也因为生成了车道线类型概率熵减值，可以用于删选出符合条件的车道线类型概率分布曲线。以此可以用于生成车道线类型信息。从而，上述实现方式，可以检测出距离当前车辆较远处的车道线类型。避免了由于道路图像的图像视野中较远处车道线的特征较少，导致较远处车道线的特征点在图像视野中连接成一片，使得难以区分较远处车道线的类型为实线或虚线，从而，导致车道线类型容易被误检的情况。进而，可以进一步提高生成的车道线类型信息的准确度降低。
可选的，上述执行主体还可以执行如下步骤：
对于上述车道线类型概率熵减值集中不满足预设熵减值条件的每个车道线类型概率熵减值，去除上述车道线类型概率熵减值对应的目标障碍物行为标识序列中不满足预设时长条件的目标障碍物行为标识，以作为历史障碍物行为标识序列，再次执行车道线类型信息生成步骤。其中，预设时长条件可以是目标障碍物行为标识对应的时间戳与当前时刻的时间戳之间的时间差大于预设时间差阈值，即表征了目标障碍物行为标识的生成时间较早，可信度较低，容易降低当前时刻生成车道线类型的准确度。
可选的，上述执行主体还可以执行以下步骤：
第一步，基于上述车道线类型信息集，对初始规划路径进行调整，得到目标规划路径。其中，将上述车道线类型信息集中的为实线车道线的信息作为路径规划的约束条件，通过预设的路径规划算，再次进行路径规划，得到目标规划路径，以此可以完成对初始规划路径的调整。具体的，在检测到车道线类型为实线车道线后，可以用于避免路径规划算法规划的路径为引导当前车辆变道的路径。从而，可以用于避免车辆违规行驶和提高车辆行驶安全性。
第二步，将上述目标规划路径发送至车辆控制终端，以供控制车辆移动。其中，车辆控制终端可以是用于控制当前车辆移动的终端。
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车道线类型信息生成方法，可以提高生成的车道线类型信息的准确度。具体来说，造成生成的车道线类型信息的准确度降低的原因在于：未考虑将障碍物行为与车道线之间的潜在关系，因此，难以确保对较远处车道线的车道线类型检测的准确度。基于此，本公开的一些实施例的车道线类型信息生成方法，首先，对预获取的道路图像进行障碍物行为检测处理，以生成障碍物行为标识集。考虑到了障碍物行为与车道线类型之间的潜在关系，因此，通过障碍物行为检测处理，生成障碍物的行为标识，以便于引入障碍物行为。其次，将上述障碍物行为标识集中的每个障碍物行为标识添加至预先存储的历史障碍物行为标识序列集中对应的历史障碍物行为标识序列中以生成目标障碍物行为标识序列，得到目标障碍物行为标识序列集。其中，上述目标障碍物行为标识序列集中的每个目标障碍物行为标识序列对应当前车辆所在道路上的一条车道线。通过添加，可以用于综合考虑当前时刻的障碍物行为标识与历史时间段内的历史障碍物行为标识与车道线类型之间的潜在关系。接着，基于预设的车道线类型先验概率信息，生成与上述目标障碍物行为标识序列集中每个目标障碍物行为标识序列对应的车道线类型概率熵减值和车道线类型概率分布曲线，得到车道线类型概率熵减值集和车道线类型概率分布曲线集。通过引入车道线类型先验概率信息，可以用于确保引入的障碍物行为与车道线类型之间潜在关系可以有益于车道线类型的确定。从而，可以确保生成的车道线类型概率熵减值集和车道线类型概率分布曲线集的准确度。这里，通过生成车道线类型概率分布曲线集，可以用于表征当前车辆所在车道上各条车道线的车道线类型的概率值。最后，响应于确定上述车道线类型概率熵减值集中存在满足预设熵减值条件的车道线类型概率熵减值，将与每个满足预设熵减值条件的车道线类型概率熵减值对应的车道线类型概率分布曲线中车道线类型概率值最大的车道线类型标识确定为车道线类型信息，得到车道线类型信息集。也因为生成了车道线类型概率熵减值集，可以通过引入的预设熵减值条件，筛选出符合条件的车道线类型概率分布曲线。以此可以选出车道线类型概率值最大的车道线类型作为车道线类型信息。从而，可以最大限度的确保车道线类型检测的准确度。进而，可以提高生成的车道线类型信息的准确度。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种车道线类型信息生成装置的一些实施例，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，一些实施例的车道线类型信息生成装置200包括：检测处理单元201、添加单元202、生成单元203和确定单元204。其中，检测处理单元201，被配置成对预获取的道路图像进行障碍物行为检测处理，以生成障碍物行为标识集；添加单元202，被配置成将上述障碍物行为标识集中的每个障碍物行为标识添加至预先存储的历史障碍物行为标识序列集中对应的历史障碍物行为标识序列中以生成目标障碍物行为标识序列，得到目标障碍物行为标识序列集，其中，上述目标障碍物行为标识序列集中的每个目标障碍物行为标识序列对应当前车辆所在道路上的一条车道线；生成单元203，被配置成基于预设的车道线类型先验概率信息，生成与上述目标障碍物行为标识序列集中每个目标障碍物行为标识序列对应的车道线类型概率熵减值和车道线类型概率分布曲线，得到车道线类型概率熵减值集和车道线类型概率分布曲线集；确定单元204，被配置成响应于确定上述车道线类型概率熵减值集中存在满足预设熵减值条件的车道线类型概率熵减值，将与每个满足预设熵减值条件的车道线类型概率熵减值对应的车道线类型概率分布曲线中车道线类型概率值最大的车道线类型标识确定为车道线类型信息，得到车道线类型信息集。
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（例如中央处理器、图形处理器等）301，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：对预获取的道路图像进行障碍物行为检测处理，以生成障碍物行为标识集；将上述障碍物行为标识集中的每个障碍物行为标识添加至预先存储的历史障碍物行为标识序列集中对应的历史障碍物行为标识序列中以生成目标障碍物行为标识序列，得到目标障碍物行为标识序列集，其中，上述目标障碍物行为标识序列集中的每个目标障碍物行为标识序列对应当前车辆所在道路上的一条车道线；基于预设的车道线类型先验概率信息，生成与上述目标障碍物行为标识序列集中每个目标障碍物行为标识序列对应的车道线类型概率熵减值和车道线类型概率分布曲线，得到车道线类型概率熵减值集和车道线类型概率分布曲线集；响应于确定上述车道线类型概率熵减值集中存在满足预设熵减值条件的车道线类型概率熵减值，将与每个满足预设熵减值条件的车道线类型概率熵减值对应的车道线类型概率分布曲线中车道线类型概率值最大的车道线类型标识确定为车道线类型信息，得到车道线类型信息集。
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：一种处理器包括检测处理单元、添加单元、生成单元和确定单元。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，检测处理单元还可以被描述为“对预获取的道路图像进行障碍物行为检测处理的单元”。
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 (10)

1.一种车道线类型信息生成方法，包括：
对预获取的道路图像进行障碍物行为检测处理，以生成障碍物行为标识集；
将所述障碍物行为标识集中的每个障碍物行为标识添加至预先存储的历史障碍物行为标识序列集中对应的历史障碍物行为标识序列中以生成目标障碍物行为标识序列，得到目标障碍物行为标识序列集，其中，所述目标障碍物行为标识序列集中的每个目标障碍物行为标识序列对应当前车辆所在道路上的一条车道线；
基于预设的车道线类型先验概率信息，生成与所述目标障碍物行为标识序列集中每个目标障碍物行为标识序列对应的车道线类型概率熵减值和车道线类型概率分布曲线，得到车道线类型概率熵减值集和车道线类型概率分布曲线集；
响应于确定所述车道线类型概率熵减值集中存在满足预设熵减值条件的车道线类型概率熵减值，将与每个满足预设熵减值条件的车道线类型概率熵减值对应的车道线类型概率分布曲线中车道线类型概率值最大的车道线类型标识确定为车道线类型信息，得到车道线类型信息集。
2.根据权利要求1所述的方法，其中，所述方法还包括：
对于所述车道线类型概率熵减值集中不满足所述预设熵减值条件的每个车道线类型概率熵减值，去除所述车道线类型概率熵减值对应的目标障碍物行为标识序列中不满足预设时长条件的目标障碍物行为标识，以作为历史障碍物行为标识序列，再次执行车道线类型信息生成步骤。
3.根据权利要求1所述的方法，其中，所述方法还包括：
基于所述车道线类型信息集，对初始规划路径进行调整，得到目标规划路径；
将所述目标规划路径发送至车辆控制终端，以供控制车辆移动。
4.根据权利要求1所述的方法，其中，所述对预获取的道路图像进行障碍物行为检测处理，以生成障碍物行为标识集，包括：
对所述道路图像进行障碍物行为检测，得到障碍物行为检测信息集，其中，所述障碍物行为检测信息集中的每个障碍物行为检测信息包括初始障碍物行为标识和障碍物关联车道线序号组，每个障碍物关联车道线序号组中的各个障碍物关联车道线序号表征障碍物所在车道两侧车道线的序号；
对所述障碍物行为检测信息集中每个障碍物行为检测信息包括的初始障碍物行为标识与障碍物关联车道线序号组中的每个障碍物关联车道线序号进行组合处理以生成障碍物行为标识，得到障碍物行为标识集。
5.根据权利要求1所述的方法，其中，所述车道线类型先验概率信息包括车道线类型先验概率分布曲线；以及
所述基于预设的车道线类型先验概率信息，生成与所述目标障碍物行为标识序列集中每个目标障碍物行为标识序列对应的车道线类型概率熵减值和车道线类型概率分布曲线，包括：
利用所述目标障碍物行为标识序列中的各个目标障碍物行为标识，对所述车道线类型概率分布曲线进行更新，得到车道线类型概率分布曲线。
6.根据权利要求5所述的方法，其中，所述基于预设的车道线类型先验概率信息，生成与所述目标障碍物行为标识序列集中每个目标障碍物行为标识序列对应的车道线类型概率熵减值和车道线类型概率分布曲线，还包括：
获取与所述目标障碍物行为标识序列中各个目标障碍物行为标识对应的车道线类型条件熵；
基于所述车道线类型条件熵和所述车道线类型概率分布曲线，生成与所述目标障碍物行为标识序列对应的车道线类型概率熵减值。
7.一种车道线类型信息生成装置，包括：
检测处理单元，被配置成对预获取的道路图像进行障碍物行为检测处理，以生成障碍物行为标识集；
添加单元，被配置成将所述障碍物行为标识集中的每个障碍物行为标识添加至预先存储的历史障碍物行为标识序列集中对应的历史障碍物行为标识序列中以生成目标障碍物行为标识序列，得到目标障碍物行为标识序列集，其中，所述目标障碍物行为标识序列集中的每个目标障碍物行为标识序列对应当前车辆所在道路上的一条车道线；
生成单元，被配置成基于预设的车道线类型先验概率信息，生成与所述目标障碍物行为标识序列集中每个目标障碍物行为标识序列对应的车道线类型概率熵减值和车道线类型概率分布曲线，得到车道线类型概率熵减值集和车道线类型概率分布曲线集；
确定单元，被配置成响应于确定所述车道线类型概率熵减值集中存在满足预设熵减值条件的车道线类型概率熵减值，将与每个满足预设熵减值条件的车道线类型概率熵减值对应的车道线类型概率分布曲线中车道线类型概率值最大的车道线类型标识确定为车道线类型信息，得到车道线类型信息集。
8.一种电子设备，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1-6中任一所述的方法。
9.一种计算机可读介质，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1-6中任一所述的方法。
10.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如权利要求1-6中任一所述的方法。
CN202211178064.1A 2022-09-27 2022-09-27 车道线类型信息生成方法、装置、设备和计算机可读介质 Active CN115471708B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211178064.1A CN115471708B (zh) 2022-09-27 2022-09-27 车道线类型信息生成方法、装置、设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211178064.1A CN115471708B (zh) 2022-09-27 2022-09-27 车道线类型信息生成方法、装置、设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN115471708A true CN115471708A (zh) 2022-12-13
CN115471708B CN115471708B (zh) 2023-09-12

Family

ID=84335960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211178064.1A Active CN115471708B (zh) 2022-09-27 2022-09-27 车道线类型信息生成方法、装置、设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN115471708B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101639983A (zh) * 2009-08-21 2010-02-03 任雪梅 一种基于图像信息熵的多车道车流量检测方法
CN109635816A (zh) * 2018-10-31 2019-04-16 百度在线网络技术（北京）有限公司 车道线生成方法、装置、设备以及存储介质
CN111209780A (zh) * 2018-11-21 2020-05-29 北京市商汤科技开发有限公司 车道线属性检测方法、装置、电子设备及可读存储介质
US20210004006A1 (en) * 2019-07-05 2021-01-07 Daniel Mark Graves Method and system for predictive control of vehicle using digital images
DE102019117722A1 (de) * 2019-07-01 2021-01-07 Bayerische Motoren Werke Aktiengesellschaft Gegenverkehrsfreier Überholassistent zur Verwendung bei autonomem Fahren
US20210004611A1 (en) * 2019-07-05 2021-01-07 Zoox, Inc. Prediction on top-down scenes based on action data
CN113936257A (zh) * 2021-10-15 2022-01-14 虹软科技股份有限公司 车辆违章行为的检测方法及检测装置、车载电子设备
WO2022022317A1 (zh) * 2020-07-31 2022-02-03 华为技术有限公司 控制方法与装置、终端设备
WO2022095453A1 (zh) * 2020-11-06 2022-05-12 北京石头创新科技有限公司 一种识别障碍物的方法、装置、介质和电子设备
CN114531913A (zh) * 2020-09-09 2022-05-24 华为技术有限公司 车道线检测方法、相关设备及计算机可读存储介质
CN114742958A (zh) * 2022-02-18 2022-07-12 禾多科技（北京）有限公司 三维车道信息生成方法、装置、设备和计算机可读介质
CN114863385A (zh) * 2022-03-23 2022-08-05 禾多科技（北京）有限公司 道路曲面信息生成方法、装置、设备和计算机可读介质
CN114894205A (zh) * 2022-05-18 2022-08-12 禾多科技（北京）有限公司 三维车道线信息生成方法、装置、设备和计算机可读介质
CN114926813A (zh) * 2022-05-16 2022-08-19 北京主线科技有限公司 车道线融合方法、装置、设备及存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101639983A (zh) * 2009-08-21 2010-02-03 任雪梅 一种基于图像信息熵的多车道车流量检测方法
CN109635816A (zh) * 2018-10-31 2019-04-16 百度在线网络技术（北京）有限公司 车道线生成方法、装置、设备以及存储介质
CN111209780A (zh) * 2018-11-21 2020-05-29 北京市商汤科技开发有限公司 车道线属性检测方法、装置、电子设备及可读存储介质
DE102019117722A1 (de) * 2019-07-01 2021-01-07 Bayerische Motoren Werke Aktiengesellschaft Gegenverkehrsfreier Überholassistent zur Verwendung bei autonomem Fahren
US20210004006A1 (en) * 2019-07-05 2021-01-07 Daniel Mark Graves Method and system for predictive control of vehicle using digital images
US20210004611A1 (en) * 2019-07-05 2021-01-07 Zoox, Inc. Prediction on top-down scenes based on action data
WO2022022317A1 (zh) * 2020-07-31 2022-02-03 华为技术有限公司 控制方法与装置、终端设备
CN114531913A (zh) * 2020-09-09 2022-05-24 华为技术有限公司 车道线检测方法、相关设备及计算机可读存储介质
WO2022095453A1 (zh) * 2020-11-06 2022-05-12 北京石头创新科技有限公司 一种识别障碍物的方法、装置、介质和电子设备
CN113936257A (zh) * 2021-10-15 2022-01-14 虹软科技股份有限公司 车辆违章行为的检测方法及检测装置、车载电子设备
CN114742958A (zh) * 2022-02-18 2022-07-12 禾多科技（北京）有限公司 三维车道信息生成方法、装置、设备和计算机可读介质
CN114863385A (zh) * 2022-03-23 2022-08-05 禾多科技（北京）有限公司 道路曲面信息生成方法、装置、设备和计算机可读介质
CN114926813A (zh) * 2022-05-16 2022-08-19 北京主线科技有限公司 车道线融合方法、装置、设备及存储介质
CN114894205A (zh) * 2022-05-18 2022-08-12 禾多科技（北京）有限公司 三维车道线信息生成方法、装置、设备和计算机可读介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YANG XING: "An ensemble deep learning approach for driver lane change intention inference", 《TRANSPORTATION RESEARCH PART C: EMERGING TECHNOLOGIES》, vol. 115, pages 1 - 19 *
刘仕望: "基于LSD算法的车道线检测与跟踪方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, vol. 2020, no. 9, pages 035 - 29 *

Also Published As

Publication number Publication date
CN115471708B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN115257727B (zh) 障碍物信息融合方法、装置、电子设备和计算机可读介质
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
CN113255619B (zh) 车道线识别及定位方法、电子设备和计算机可读介质
CN115540894B (zh) 车辆轨迹规划方法、装置、电子设备和计算机可读介质
CN113050643B (zh) 无人车路径规划方法、装置、电子设备和计算机可读介质
CN114964296B (zh) 车辆行驶路径规划方法、装置、设备和计算机可读介质
CN115534939B (zh) 车辆控制方法、装置、电子设备和计算机可读介质
CN112918487B (zh) 无人车起步方法、装置、电子设备和计算机可读介质
CN112017462B (zh) 用于生成场景信息的方法、装置、电子设备和介质
CN112590798B (zh) 用于检测驾驶员状态的方法、装置、电子设备和介质
CN113760503A (zh) 任务迁移方法、装置、电子设备和计算机可读介质
CN115610415B (zh) 车辆距离控制方法、装置、电子设备和计算机可读介质
CN114724116B (zh) 车辆通行信息生成方法、装置、设备和计算机可读介质
CN115326079A (zh) 车辆车道级定位方法、装置、设备和计算机可读介质
CN113780247B (zh) 红绿灯检测方法、装置、电子设备和计算机可读介质
CN114399659B (zh) 车辆控制信息生成方法、装置、设备和计算机可读介质
CN115471708A (zh) 车道线类型信息生成方法、装置、设备和计算机可读介质
CN115169852B (zh) 信息发送方法、装置、电子设备、介质和计算机程序产品
CN115758663A (zh) 车辆行为和轨迹的仿真模拟方法、装置和电子设备
CN114579054A (zh) 一种数据处理方法、装置、电子设备及计算机可读介质
CN113204661B (zh) 实时路况更新方法、电子设备和计算机可读介质
CN112597790B (zh) 驾驶员注意力检测方法、装置、设备和计算机可读介质
CN116125961B (zh) 车辆控制指标生成方法、装置、设备和计算机可读介质
CN115900638B (zh) 障碍物航向角信息生成方法、装置、电子设备和可读介质
CN113469159B (zh) 障碍物信息生成方法、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
CB02 Change of applicant information

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

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

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

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

CB02 Change of applicant information