CN115900688A - 一种用于自动驾驶的高精度地图视觉定位方法 - Google Patents
一种用于自动驾驶的高精度地图视觉定位方法 Download PDFInfo
- Publication number
- CN115900688A CN115900688A CN202310049315.4A CN202310049315A CN115900688A CN 115900688 A CN115900688 A CN 115900688A CN 202310049315 A CN202310049315 A CN 202310049315A CN 115900688 A CN115900688 A CN 115900688A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- danger
- positioning method
- coefficient
- visual positioning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000000007 visual effect Effects 0.000 title claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 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
- 239000004065 semiconductor Substances 0.000 description 1
Images
Abstract
本发明公开了一种用于自动驾驶的高精度地图视觉定位方法，涉及自动驾驶技术领域，首先获取车辆的初始化位置，然后根据车辆的初始化位置，采集车辆四周的环境图像，且将采集到的环境图像进行处理，得到图像综合数据，再对环境图像进行预处理，预处理的过程包括对环境图像进行特征提取，分割和匹配，最后测量此时车辆的行驶速度，并且利用综合图像数据和车辆的行驶速度计算得出危险系数，并且将计算得出的危险系数与设定的标准危险因子进行特征判别，判断是否存在危险，若不存在危险，则无需操作，若存在危险，则需立即减速靠边停车，从而实现了能够对车辆在行驶过程中出现的危险进行精确判定的功能。
Description
技术领域
本发明涉及自动驾驶技术领域，具体的是一种用于自动驾驶的高精度地图视觉定位方法。
背景技术
随着经济技术的发展和人们生活水平的提高，自动驾驶技术已经广泛应用于人们的生产和生活当中，给人们的生产和生活带来了无尽的便利。因此，保障自动驾驶的稳定可靠运行，就成为了人们研究的重点。
自动驾驶的核心技术体系分为感知、决策和执行三大模块。其中，定位是感知模块中非常重要的一部分；定位技术用于确定车辆在地图中的精确位置：只有当车辆在地图中定位准确时，系统才能更好的辅助车辆感知，并最终支持决策和执行模块的相应动作，现有的定位方法存在一定的问题，现有的定位方法对于车辆在行驶过程中的危险度的把控不够精准，导致在自动驾驶过程中可能会出现一定的危险。
发明内容
为解决上述背景技术中提到的不足，本发明的目的在于提供一种用于自动驾驶的高精度地图视觉定位方法，能够对车辆在行驶过程中出现的危险进行精确判定。
本发明的目的可以通过以下技术方案实现：一种用于自动驾驶的高精度地图视觉定位方法，方法包括以下步骤：
获取车辆的初始化位置；
根据车辆的初始化位置，采集车辆四周的环境图像，且将采集到的环境图像进行处理，得到图像综合数据；
测量此时车辆的行驶速度，并且利用综合图像数据和车辆的行驶速度计算得出危险系数；
将计算得出的危险系数与设定的标准危险因子进行特征判别，判断是否存在危险，若不存在危险，则无需操作，若存在危险，则需立即减速靠边停车。
优选地，所述车辆的初始化位置的获取过程如下：通过获取GNSS位置信息、惯性导航IMU的位置信息和车辆轮速计信息，并对获取的GNSS位置信息、惯性导航IMU的位置信息和车辆轮速计信息进行数据综合，从而确认车辆的初始化位置。
优选地，所述环境图像的处理过程包括以下步骤：
对环境图像进行预处理，预处理的过程包括对环境图像进行特征提取，分割和匹配；
将预处理后的环境图像进行特征提取。
优选地，所述特征提取为将环境图像内与车辆相关的数据进行提取，包括：车辆行驶角度、车辆附近障碍物数量和车辆与附近障碍物间距离。
优选地，所述图像综合数据的计算过程如下：
将车辆行驶角度标记为Wi，车辆附近障碍物数量标记为Ti，车辆与附近障碍物间距离标记为Li，其中，i为采集次数标号，i＝1、2、3、...、n，n为采集次数总数；
利用公式
计算得出综合图像数据Zxi，式中，W0为标准车辆行驶角度，T0为标准障碍物数量，L0为标准车辆与附近障碍物间距离，α为车辆行驶角度影响系数，a为障碍物数量影响系数，b为车辆与附近障碍物间距离影响系数。
优选地，所述危险系数的计算过程如下：
在计算得出综合图像数据Zxi后，测量此时车辆的行驶速度V，并且利用公式
计算得出危险系数Wxi，式中，V0为标准行驶速度，β为速度影响系数。
优选地，将计算得出的危险系数与设定的标准危险因子进行特征判别的过程包括以下步骤：
将危险系数Wxi与标准危险因子Wx0利用公式Cz＝|Wxi-Wx0|计算得出差值Cz，并且与设定的差值阈值Cz0进行比较，若Cz≤Cz0，则说明此时车辆不存在危险，若Cz＞Cz0，则说明此时车辆存在危险，需立即减速靠边停车。
优选地，一种设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当一个或多个所述程序被一个或多个所述处理器执行，使得一个或多个所述处理器实现如上所述的一种用于自动驾驶的高精度地图视觉定位方法。
优选地，一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上所述的一种用于自动驾驶的高精度地图视觉定位方法。
本发明的有益效果：
本发明在使用的过程中，首先获取车辆的初始化位置，然后根据车辆的初始化位置，采集车辆四周的环境图像，且将采集到的环境图像进行处理，得到图像综合数据，再对环境图像进行预处理，预处理的过程包括对环境图像进行特征提取，分割和匹配，最后测量此时车辆的行驶速度，并且利用综合图像数据和车辆的行驶速度计算得出危险系数，并且将计算得出的危险系数与设定的标准危险因子进行特征判别，判断是否存在危险，若不存在危险，则无需操作，若存在危险，则需立即减速靠边停车，从而实现了能够对车辆在行驶过程中出现的危险进行精确判定的功能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，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是本发明流程图。
具体实施方式
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，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，一种用于自动驾驶的高精度地图视觉定位方法，方法包括以下步骤：
获取车辆的初始化位置；
需要进一步进行说明的是，在具体实施过程中，车辆的初始化位置的获取过程如下：通过获取GNSS位置信息、惯性导航IMU的位置信息和车辆轮速计信息，并对获取的GNSS位置信息、惯性导航IMU的位置信息和车辆轮速计信息进行数据综合，从而确认车辆的初始化位置。
根据车辆的初始化位置，采集车辆四周的环境图像，且将采集到的环境图像进行处理，得到图像综合数据；
需要进一步进行说明的是，在具体实施过程中，环境图像的处理过程包括以下步骤：
对环境图像进行预处理，预处理的过程包括对环境图像进行特征提取，分割和匹配；
需要进行说明的是，环境图像预处理的目的是为了消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性；
将预处理后的环境图像进行特征提取，需要进行说明的是，在本实施例中，特征提取为将环境图像内与车辆相关的数据进行提取，包括：车辆行驶角度、车辆附近障碍物数量和车辆与附近障碍物间距离；
将车辆行驶角度标记为Wi，车辆附近障碍物数量标记为Ti，车辆与附近障碍物间距离标记为Li，其中，i为采集次数标号，i＝1、2、3、...、n，n为采集次数总数；
利用公式
计算得出综合图像数据Zxi，式中，W0为标准车辆行驶角度，T0为标准障碍物数量，L0为标准车辆与附近障碍物间距离，α为车辆行驶角度影响系数，a为障碍物数量影响系数，b为车辆与附近障碍物间距离影响系数；
需要进一步进行说明的是，在具体实施过程中，标准车辆行驶角度为车辆在行驶过程中的标准角度，标准障碍物数量为车辆在行驶过程中最适合的障碍物数目，标准车辆与附近障碍物间距离为车辆在行驶过程中最标准的与障碍物的间距，车辆行驶角度影响系数为影响车辆行驶角度的因素系数，障碍物数量影响系数为影响车辆行驶过程中障碍物数量的因素系数，车辆与附近障碍物间距离影响系数为影响车辆行驶过程中与障碍物直接距离的因素系数；
在得到综合图像数据后，测量此时车辆的行驶速度，并且利用综合图像数据和车辆的行驶速度计算得出危险系数，并且将计算得出的危险系数与设定的标准危险因子进行特征判别，判断是否存在危险，若不存在危险，则无需操作，若存在危险，则需立即减速靠边停车。
需要进一步进行说明的是，计算危险系数的过程如下：
在计算得出综合图像数据Zxi后，测量此时车辆的行驶速度V，并且利用公式
计算得出危险系数Wxi，式中，V0为标准行驶速度，β为速度影响系数；
需要进一步进行说明的是，在具体实施过程中，将计算得出的危险系数与设定的标准危险因子进行特征判别的过程包括以下步骤：
将危险系数Wxi与标准危险因子Wx0利用公式Cz＝|Wxi-Wx0|计算得出差值Cz，并且与设定的差值阈值Cz0进行比较，若Cz≤Cz0，则说明此时车辆不存在危险，若Cz＞Cz0，则说明此时车辆存在危险，需立即减速靠边停车。
需要进一步进行说明的是，在具体实施过程中，在实际使用的过程中，标准危险因子Wx0为通过与危险系数Wxi计算差值对危险系数是否存在危险进行判定，可设置为与危险系数Wxi相等的值。
基于同一种发明构思，本发明还提供一种计算机设备，该计算机设备包括包括：一个或多个处理器，以及存储器，用于存储一个或多个计算机程序；程序包括程序指令，处理器用于执行存储器存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其用于实现一条或一条以上指令，具体用于加载并执行计算机存储介质内一条或一条以上指令从而实现上述方法。
需要进一步进行说明的是，基于同一种发明构思，本发明还提供一种计算机存储介质，该存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法。该存储介质可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本发明中，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。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本公开的基本原理、主要特征和本公开的优点。本行业的技术人员应该了解，本公开不受上述实施例的限制，上述实施例和说明书中描述的只是说明本公开的原理，在不脱离本公开精神和范围的前提下，本公开还会有各种变化和改进，这些变化和改进都落入要求保护的本公开范围内容。
Claims (9)
1.一种用于自动驾驶的高精度地图视觉定位方法，其特征在于，方法包括以下步骤：
获取车辆的初始化位置；
根据车辆的初始化位置，采集车辆四周的环境图像，且将采集到的环境图像进行处理，得到图像综合数据；
测量此时车辆的行驶速度，并且利用综合图像数据和车辆的行驶速度计算得出危险系数；
将计算得出的危险系数与设定的标准危险因子进行特征判别，判断是否存在危险，若不存在危险，则无需操作，若存在危险，则需立即减速靠边停车。
2.根据权利要求1所述的一种用于自动驾驶的高精度地图视觉定位方法，其特征在于，所述车辆的初始化位置的获取过程如下：通过获取GNSS位置信息、惯性导航IMU的位置信息和车辆轮速计信息，并对获取的GNSS位置信息、惯性导航IMU的位置信息和车辆轮速计信息进行数据综合，从而确认车辆的初始化位置。
3.根据权利要求1所述的一种用于自动驾驶的高精度地图视觉定位方法，其特征在于，所述环境图像的处理过程包括以下步骤：
对环境图像进行预处理，预处理的过程包括对环境图像进行特征提取，分割和匹配；
将预处理后的环境图像进行特征提取。
4.根据权利要求3所述的一种用于自动驾驶的高精度地图视觉定位方法，其特征在于，所述特征提取为将环境图像内与车辆相关的数据进行提取，包括：车辆行驶角度、车辆附近障碍物数量和车辆与附近障碍物间距离。
5.根据权利要求1所述的一种用于自动驾驶的高精度地图视觉定位方法，其特征在于，所述图像综合数据的计算过程如下：
将车辆行驶角度标记为Wi，车辆附近障碍物数量标记为Ti，车辆与附近障碍物间距离标记为Li，其中，i为采集次数标号，i＝1、2、3、...、n，n为采集次数总数；
利用公式
计算得出综合图像数据Zxi，式中，W0为标准车辆行驶角度，T0为标准障碍物数量，L0为标准车辆与附近障碍物间距离，α为车辆行驶角度影响系数，a为障碍物数量影响系数，b为车辆与附近障碍物间距离影响系数。
6.根据权利要求1所述的一种用于自动驾驶的高精度地图视觉定位方法，其特征在于，所述危险系数的计算过程如下：
在计算得出综合图像数据Zxi后，测量此时车辆的行驶速度V，并且利用公式
计算得出危险系数Wxi，式中，V0为标准行驶速度，β为速度影响系数。
7.根据权利要求6所述的一种用于自动驾驶的高精度地图视觉定位方法，其特征在于，将计算得出的危险系数与设定的标准危险因子进行特征判别的过程包括以下步骤：
将危险系数Wxi与标准危险因子Wx0利用公式Cz＝|Wxi-Wx0|计算得出差值Cz，并且与设定的差值阈值Cz0进行比较，若Cz≤Cz0，则说明此时车辆不存在危险，若Cz＞Cz0，则说明此时车辆存在危险，需立即减速靠边停车。
8.一种设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当一个或多个所述程序被一个或多个所述处理器执行，使得一个或多个所述处理器实现如权利要求1-7中任一所述的一种用于自动驾驶的高精度地图视觉定位方法。
9.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的一种用于自动驾驶的高精度地图视觉定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310049315.4A CN115900688B (zh) | 2023-02-01 | 2023-02-01 | 一种用于自动驾驶的高精度地图视觉定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310049315.4A CN115900688B (zh) | 2023-02-01 | 2023-02-01 | 一种用于自动驾驶的高精度地图视觉定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115900688A true CN115900688A (zh) | 2023-04-04 |
| CN115900688B CN115900688B (zh) | 2024-04-16 |
Family
ID=86489830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310049315.4A Active CN115900688B (zh) | 2023-02-01 | 2023-02-01 | 一种用于自动驾驶的高精度地图视觉定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115900688B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005274518A (ja) * | 2004-03-26 | 2005-10-06 | Denso Corp | 運行障害予知システム |
| DE502006000988D1 (de) * | 2006-03-15 | 2008-08-07 | Delphi Tech Inc | Hindernisbeurteilungsverfahren für ein Kraftfahrzeug |
| CN107548466A (zh) * | 2016-04-27 | 2018-01-05 | 华为技术有限公司 | 一种检测道路障碍物的方法及装置 |
| JP2018173862A (ja) * | 2017-03-31 | 2018-11-08 | アイシン・エィ・ダブリュ株式会社 | 走行支援装置及びコンピュータプログラム |
| CN108839615A (zh) * | 2018-05-21 | 2018-11-20 | 浙江吉利汽车研究院有限公司 | 一种驾驶预警方法、装置及电子设备 |
| KR20190061348A (ko) * | 2017-11-27 | 2019-06-05 | (주)에이텍티앤 | 차량의 안전운전방법 |
| WO2021134441A1 (zh) * | 2019-12-31 | 2021-07-08 | 深圳元戎启行科技有限公司 | 基于自动驾驶的车辆速度控制方法、装置和计算机设备 |
| CN115214570A (zh) * | 2022-06-21 | 2022-10-21 | 佛山仙湖实验室 | 一种结合距离和时间因素的车辆分级制动控制方法及系统 |
| CN115662186A (zh) * | 2022-10-13 | 2023-01-31 | 安徽信息工程学院 | 基于人工智能的车辆避障方法以及系统 |
-
2023
- 2023-02-01 CN CN202310049315.4A patent/CN115900688B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005274518A (ja) * | 2004-03-26 | 2005-10-06 | Denso Corp | 運行障害予知システム |
| DE502006000988D1 (de) * | 2006-03-15 | 2008-08-07 | Delphi Tech Inc | Hindernisbeurteilungsverfahren für ein Kraftfahrzeug |
| CN107548466A (zh) * | 2016-04-27 | 2018-01-05 | 华为技术有限公司 | 一种检测道路障碍物的方法及装置 |
| JP2018173862A (ja) * | 2017-03-31 | 2018-11-08 | アイシン・エィ・ダブリュ株式会社 | 走行支援装置及びコンピュータプログラム |
| KR20190061348A (ko) * | 2017-11-27 | 2019-06-05 | (주)에이텍티앤 | 차량의 안전운전방법 |
| CN108839615A (zh) * | 2018-05-21 | 2018-11-20 | 浙江吉利汽车研究院有限公司 | 一种驾驶预警方法、装置及电子设备 |
| WO2021134441A1 (zh) * | 2019-12-31 | 2021-07-08 | 深圳元戎启行科技有限公司 | 基于自动驾驶的车辆速度控制方法、装置和计算机设备 |
| CN115214570A (zh) * | 2022-06-21 | 2022-10-21 | 佛山仙湖实验室 | 一种结合距离和时间因素的车辆分级制动控制方法及系统 |
| CN115662186A (zh) * | 2022-10-13 | 2023-01-31 | 安徽信息工程学院 | 基于人工智能的车辆避障方法以及系统 |
Non-Patent Citations (3)
| Title |
|---|
| YAGI, Y 等: "Collision avoidance with the omnidirectional image sensor COPIS", SYSTEMS AND COMPUTERS IN JAPAN, vol. 23, no. 10, 1 January 1992 (1992-01-01), pages 54 - 66, XP000355608 * |
| 朱冰 等: "自动驾驶汽车测试场景基元自动提取方法", 汽车工程, vol. 44, no. 11, 30 November 2022 (2022-11-30), pages 1647 - 1655 * |
| 贺翠华;: "汽车自动驾驶装置系统研究", 微型电脑应用, vol. 36, no. 09, 30 September 2020 (2020-09-30), pages 123 - 125 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115900688B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11170525B2 (en) | Autonomous vehicle based position detection method and apparatus, device and medium | |
| CN110163176B (zh) | 车道线变化位置识别方法、装置、设备和介质 | |
| US11447141B2 (en) | Method and device for eliminating steady-state lateral deviation and storage medium | |
| CN106295459A (zh) | 基于机器视觉和级联分类器的车辆检测和预警方法 | |
| CN103465857A (zh) | 一种基于手机的汽车主动安全的预警方法 | |
| CN109241998B (zh) | 模型训练方法、装置、设备及存储介质 | |
| CN111401255B (zh) | 用于识别分歧路口的方法和装置 | |
| CN114194180A (zh) | 一种辅助泊车信息的确定方法、装置、设备及介质 | |
| CN115900688B (zh) | 一种用于自动驾驶的高精度地图视觉定位方法 | |
| CN111723724B (zh) | 一种路面障碍物识别方法和相关装置 | |
| CN111274852A (zh) | 目标对象关键点检测方法和装置 | |
| CN112289021A (zh) | 一种交通信号灯的检测方法、装置及自动驾驶汽车 | |
| CN115392407B (zh) | 基于无监督学习的危险源预警方法、装置、设备及介质 | |
| CN114397671B (zh) | 目标的航向角平滑方法、装置及计算机可读存储介质 | |
| JP2019179495A (ja) | センサ処理システム、測距システム、移動体、センサ処理方法及びプログラム | |
| CN111126336B (zh) | 样本采集方法、装置及设备 | |
| CN113903014A (zh) | 车道线预测方法、装置及电子设备、计算机可读存储介质 | |
| CN114120252A (zh) | 自动驾驶车辆状态的识别方法、装置、电子设备及车辆 | |
| CN114332189A (zh) | 一种高精地图构建方法、装置、存储介质及电子设备 | |
| CN114005017A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
| CN104820822A (zh) | 基于OpenCv卡尔曼滤波器的车载道路偏移识别方法及系统 | |
| CN114202574A (zh) | 定位可靠性检测方法及相关设备 | |
| CN115995163B (zh) | 一种车辆碰撞预警方法及系统 | |
| CN117341771A (zh) | 一种基于图像识别与速度积分的列车定位系统及方法 | |
| RU2792022C1 (ru) | Способ контроля достоверности навигационных измерений, формируемых навигационной аппаратурой потребителя спутниковой радионавигационной системы воздушного судна |
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 |