CN115956190A - 用于提供高分辨率数字地图的方法和设备 - Google Patents

用于提供高分辨率数字地图的方法和设备 Download PDF

Info

Publication number
CN115956190A
CN115956190A CN202180049911.1A CN202180049911A CN115956190A CN 115956190 A CN115956190 A CN 115956190A CN 202180049911 A CN202180049911 A CN 202180049911A CN 115956190 A CN115956190 A CN 115956190A
Authority
CN
China
Prior art keywords
digital map
resolution digital
sensor
sensor data
additional layer
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.)
Pending
Application number
CN202180049911.1A
Other languages
English (en)
Inventor
F·拉特曼
T·D·A·吴
C·克鲁莫尔
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of CN115956190A publication Critical patent/CN115956190A/zh
Pending legal-status Critical Current

Links

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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3863—Structures of map data
    • 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
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3848—Data obtained from both position sensors and additional sensors
    • 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
    • G01C21/3863—Structures of map data
    • G01C21/387—Organisation of map data, e.g. version management or database structures
    • G01C21/3878—Hierarchical structures, e.g. layering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition
    • 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

Abstract

一种用于提供高分辨率数字地图(300)的方法，所述方法具有以下步骤：‑对装置、尤其是车辆进行位置确定；‑在装置的测量行驶期间在进行了位置确定的位置处提供传感器数据；‑在进行了位置确定的位置处对于至少一个借助于所提供的传感器数据识别的对象确定识别指标；‑将至少一个附加层(310a...310n)添加到高分辨率数字地图(300)，其中所述至少一个附加层(310a...310n)包含针对至少一个所识别的对象的识别指标。

Description

用于提供高分辨率数字地图的方法和设备
技术领域
本发明涉及一种用于提供高分辨率数字地图的方法。本发明此外涉及一种用于提供高分辨率数字地图的设备。本发明此外涉及一种计算机程序产品。
背景技术
自动驾驶是当今汽车行业的大趋势之一。在过去十年中，汽车制造商逐补地增加了其驾驶员辅助系统的数量和功能。除了实现全自动化的车辆的技术方面之外，验证和许可给汽车行业带来大的挑战。对此的原因一方面是与周围环境交互的复杂性，而另一方面是在证明自动车辆在安全性方面至少提供与人类驾驶员相同的性能的困难。
可以预见，仅仅真实车辆测试用于验证在经济上是不可实施的。出于该原因，模拟被视为用于开发以及用于验证全自动化的车辆的关键元素。因此，基于模拟的试驾是证实和验证策略的重要支柱。然而，对于有效力的模拟，必须事先验证所有所应用的模型。要保障的功能基于车辆的环境传感器的虚拟模型。需要高精度传感器模型(即真实传感器的数学模仿)来保障驾驶功能，但是目前一般缺乏公认的质量准则来评估和验证这种传感器模型。因为传统地图既不能提供足够的分辨率，也不能为全自动系统提供关于周围环境的足够信息。在此，对安全性的要求尤其是在具有高交通密度的城市地区中是非常大的。在当今高分辨率地图中包含的信息被表示为所谓的层，所述层分别描述周围环境的不同方面。在此，存在不同定义：哪一层特定地包含哪些信息。然而，关于道路网络的信息通常位于基础层上。在此基础上，其他层例如描述交通标志、静态对象、诸如建筑物、树木等。
发明内容
本发明的任务是提供一种用于以改善的方式为至少部分自动化的车辆提供高分辨率数字地图的方法。
根据第一方面，该任务利用一种用于提供高分辨率数字地图的方法来解决，所述方法具有以下步骤：
-对装置、尤其是车辆进行位置确定；
-在装置的测量行驶期间在进行了位置确定的位置处提供传感器数据；
-在进行了位置确定的位置处对于至少一个借助于所提供的传感器数据识别的对象确定识别指标；
-将至少一个附加层添加到高分辨率数字地图，其中所述至少一个附加层包含针对至少一个所识别的对象的识别指标。
至少一个附加层用作用于证实传感器模型的所谓“置信层(confidence layer)”。这种基于纯传感器信息的附加层将会包含太多数据。以这种方式扩展的高分辨率数字地图可以有利地被使用来改善传感器模型的算法，所述传感器模型由此可以被验证和改善。因此，这使得能够成本低地验证传感器模型。高分辨率数字地图的创建基于测量行驶的真实传感器数据，所述测量行驶原本必须被实施以便测试传感器系统。因此，可以用低额外耗费产生根据本发明扩展的高分辨率数字地图。
根据第二方面，该任务通过一种用于提供高分辨率数字地图的设备来解决，所述设备包括：
-至少一个传感器装置，用于在测量行驶期间提供传感器数据；
-位置确定装置，用于对装置、尤其是车辆进行位置确定；
-识别装置，用于确定至少一个从所提供的传感器数据中识别的对象的识别指标；以及
-添加装置，用于将至少一个附加层添加到所述高分辨率数字地图，其中所述至少一个附加层包括至少一个所识别的对象的识别标识符。
根据第三方面，该任务通过计算机程序产品来解决，所述计算机程序产品具有程序代码件，用于当所述计算机程序产品在所提出的电子设备上运行或存储在计算机可读数据载体上时，实施所提出的方法。
该方法的有利改进方案是分别从属权利要求的主题。
该方法的一种有利改进方案规定，为每种传感器类型创建附加层。因此，可以由此为每种传感器类型(例如雷达、激光雷达、摄像机等)创建附加层，使得由此还进一步改善证实传感器模型的可能性。
该方法的另一有利改进方案规定，其中对于每种传感器类型确定所述识别指标。由此支持高分辨率数字地图的各自附加层的识别指标的最佳多样化。
该方法的另一有利改进方案规定，所述识别指标为来自以下各项中的至少一项：距离，在所述距离时识别到所述对；概率，以所述概率识别到所述对象。例如，可以由此确定具体静态对象的识别指标。
该方法的另一有利改进方案规定，其中所述识别指标与所定义的气候条件相关或者其中与气候条件相关的数据被储存在所述高分辨率数字地图中。由此有利地提供针对不同气候条件提供识别指标的不同可能性。
该方法的其他有利改进方案规定，在实施所述测量行驶时或在实施所述测量行驶之后确定所述识别指标。由此有利地提供用于确定识别指标的不同可能性。
该方法的另一有利改进方案规定，所述识别指标在所述车辆中或在云中被确定。以这种方式，也有利地提供用于确定识别指标的不同可能性。
该方法的另一有利改进方案规定，在借助于所提供的传感器数据进行位置确定时，借助于SLAM算法创建定位数据。借助于所提供的传感器数据以上述两种方式有利地实施不同类型的位置确定。
该方法的另一有利改进方案规定，确定所估计的轨迹。例如，所估计的轨迹可以借助于本身已知的SLAM算法被提供，使得由此传感器模型也可以借助于SLAM算法被检验。
该方法的另一有利改进方案规定，针对以下传感器类型中的至少一种确定传感器数据：雷达、激光雷达、摄像机、超声波。因此，所提出的方法有利地适用于不同的传感器类型。
附图说明
下面根据两个附图利用其他特征和优点详细地描述本发明。在此，所描述或示出的所有特征单独或以任意组合构成本发明的主题，而与所述特征在专利权利要求中的概括或其回引参考无关以及与其在说明书或附图中的表达或表示无关。
该方法的所公开的特征和优点以类似的方式从该设备的所公开的特征和优点中得出并且反之亦然。在附图中：
图1示出所提出方法的一种实施方式的原理流程；和
图2示出用于实施所提出的方法的所提出的电子系统的框图。
具体实施方式
本发明的核心思想尤其是在于扩展高分辨率数字地图(英文High-DefinitionMap，HD Map)，使得利用高分辨率数字地图能够实现对传感器模型的不仅定性而且定量的评估。高分辨率数字地图在自主驾驶的领域中发挥着至关重要的作用。
利用本发明提出为至少部分自动化的车辆提供经改善的高分辨率数字地图300。尤其是，这种高分辨率数字地图300的扩展包括另一附加层310a...310n，所述附加层具有所谓的传感器特定置信或识别指标，即所谓的(英文Key Performance Indicators(关键性能指标)，KPI)。
这些识别指标代表性能特征数，根据所述性能特征数可以测量关于重要目标设置或关键成功因素的进展或实现程度。所述识别指标根据对传感器系统的要求或也根据其他处理阶段、诸如对象探测来定义。为了使用这些性能特征数作为用于与来自模拟的所生成的传感器数据进行比较的基础，需要确定公差，在所述公差内传感器模型的结果可以被视为可接受的，因为可以预期在一定程度上区分(来自实际测量行驶的)真实传感器数据和(来自利用传感器模型的模拟行驶的)合成传感器数据。为此，利用真实传感器实施测量行驶，并且根据所得到的测量数据计算与定位品质相关的阈值，并且在高分辨率数字地图300上进行标记。
下面，术语“自动化的车辆”与术语“全自动化的车辆”、“自主车辆”和“部分自主车辆”同义地被使用。
下面更详细地阐述用于生成至少一个附加层310a...310n的步骤。在开始时，确定尤其是自动化的车辆形式的设备的当前位置。为此目的，可以优选地使用定位装置用于提供GNSS或GPS数据，所GNSS或GPS数据被使用来对测量车辆(未示出)进行定位。在测量行驶的范围内，利用测量车辆借助于传感器装置对周围环境数据进行传感器检测，其中例如雷达传感器和/或激光雷达传感器和/或摄像机和/或超声波传感器可以被用作传感器装置。以这种方式，可以精确确定装置的位置，其中可以为此目的使用每种合适的定位方法。
在检测各个传感器数据之后，可以针对至少一个从传感器数据中识别的对象计算各自的识别指标。为此，使用车辆的当前位置，以便能够将所计算的值变换为高分辨率数字地图300。可以针对一种、多种或所有由自动化的测量车辆使用的传感器类型来实施性能指标的计算。在此，可以规定，对于所使用的每种传感器类型，将自身的附加层310a...310n添加到高分辨率数字地图300。
在此，例如可以利用所检测的传感器数据识别静态对象(例如交通信号灯、交通标志、建筑物等)。例如，作为识别指标可以说明：在哪个距离时(例如在50m时)利用传感器装置识别静态对象和/或以何种概率利用传感器装置识别到静态对象等。可替代地或附加地，可以利用所检测的传感器数据借助于本身已知的SLAM算法来实施对预测轨迹的确定。以这种方式，创建附加层310a...310n，所述附加层提供传感器特定特性作为高分辨率数字地图300的扩展。
可以可选地规定，创建在所定义的气候情况(例如具有阳光的清楚视线、夜晚、雾、雨等)下的所提到的识别指标或将与气候情况相关的数据作为附加层310a...310n内的附加信息储存在高分辨率数字地图300中。
以这种方式改善的高分辨率数字地图300可以有利地用作用于验证传感器模型的基础，以便由此证实所开发的传感器模型足够精确并且以正确的特性得以建模。在此，从真实测量行驶中提取所观察的场景，以便在模拟中模仿所述场景。因此，可以利用所开发的传感器模型在虚拟周围环境中重新模拟场景。通过计算模拟中的识别指标，可以在识别指标之间实施比较，所述识别指标是利用真实的和以合成方式基于的传感器数据被确定的。
结果，由此在真实传感器系统和传感器模型之间的效率差异不仅变为可见的，而且以量化方式指明。此外，所示出的方法使得能够不仅验证传感器模型，而且在模拟中使用经验证的与位置相关的模型。
图1极为示意性地示出所提出方法的原理流程。
在步骤100中，对装置、尤其是车辆进行位置确定。
在步骤110中，在装置的测量行驶期间在进行了位置确定的位置处提供传感器数据。
在步骤120中，通过在进行了位置确定的位置处对于至少一个借助于所提供的传感器数据识别的对象确定识别指标。
在步骤130中，将至少一个附加层310a...310n添加到高分辨率数字地图300，其中该至少一个附加层310a...310n包含针对至少一个所识别的对象的识别指标。
结果，由此为装置、例如为至少部分自动化的车辆提供经扩展的高分辨率数字地图300，利用所述高分辨率数字地图可以在后续的模拟过程中高效地模拟或验证传感器模型。以这种方式可以有利地最小化用于验证传感器模型的耗费。
下面，根据示例更详细地阐述所提出的流程。为此，所谓的“同时定位和地图创建(Simultaneous Localization and Mapping)”(SLAM)算法适合作为示例来阐述所描述的方法。
SLAM算法的特点在于所述SLAM算法可以与所有(例如三种)传感器类型(例如雷达、激光雷达、摄像机)一起被使用。SLAM算法的目标是同时产生环境的一致高分辨率数字地图300，并且估计在该高分辨率数字地图300内的自身位置。因此，作为测量行驶的结果既得到周围环境的高分辨率数字地图，而且得到预测的轨迹。
为了评价SLAM算法，可以例如计算轨迹估计相对于GNSS数据的绝对误差作为置信指标。由于可以假定该偏差对于每种传感器类型将不同，所以所有传感器类型的结果被存储并且作为新的层310a...310n被添加到高分辨率数字地图300。由此，系统的当前评估结果可以被记录在高分辨率数字地图300中。
这具有以下优点，对于随后的研究，诸如测量行驶的重新模拟或系统更新之后的比较，根据位置存储最后系统状态的所计算的置信指标，并且从而可以高效地实施比较，而不重新计算结果。
图2示出所提出的用于确定高分辨率数字地图300的电子系统200的原理框图。
看出至少一个用于提供在所实施的测量行驶期间记载的传感器数据的传感器装置220a...220n。用于对装置进行位置确定的位置确定装置210在功能上与传感器装置220a...220n连接。用于确定以上更详细地阐述的至少一个借助于所提供的传感器数据识别的对象的识别指标的识别装置230在功能上与位置确定装置210连接。用于将至少一个附加层310a...310n添加到具有多个层310a...310n的高分辨率数字地图300的添加装置240在功能上与识别装置230连接，所述层包含特定信息，诸如车道边界、交通标志、建筑物等。至少一个附加层310a...310n具有用于至少一个所识别对象的识别标识。
所提出的系统200可以有利地布置在自动化的测量车辆中或布置在云中。在第一情况下，在检测传感器数据时直接确定附加层310a...310n。在第二情况下，可以在测量行驶期间或在所述测量行驶结束之后确定附加层310a...310n。
作为特殊的使用应用，可以利用根据本发明扩展的高分辨率数字地图300来验证传感器模型。以这种方式可以证明：传感器模型借助于高分辨率数字地图300以与借助于真实传感器数据的真实传感器装置类似的良好方式实施位置确定。以这种方式，可以借助于模拟方法高效地测试传感器装置。因此，这在实践中可以有助于借助于模拟过程有效地验证自动化的车辆。
所提出的方法可以有利地实现为软件，所述软件例如在设备200上运行。以这种方式支持该方法的简单可适配性。
本领域技术人员将以合适的方式修改和/或相互组合本发明的特征，而不偏离本发明的核心。

Claims (12)

1.一种用于提供高分辨率数字地图(300)的方法，所述方法具有以下步骤：
-对装置、尤其是车辆进行位置确定；
-在装置的测量行驶期间在进行了位置确定的位置处提供传感器数据；
-在进行了位置确定的位置处对于至少一个借助于所提供的传感器数据识别的对象确定识别指标；
-将至少一个附加层(310a...310n)添加到高分辨率数字地图(300)，其中所述至少一个附加层(310a...310n)包含针对至少一个所识别的对象的识别指标。
2.根据权利要求1所述的方法，其中为每种传感器类型创建附加层(310a...310n)。
3.根据权利要求1或2所述的方法，其中对于每种传感器类型确定所述识别指标。
4.根据前述权利要求中任一项所述的方法，其中所述识别指标为来自以下各项中的至少一项：距离，在所述距离时识别到所述对象；概率，以所述概率识别到所述对象。
5.根据前述权利要求中任一项所述的方法，其中所述识别指标与所定义的气候条件相关或者其中与气候条件相关的数据被储存在所述高分辨率数字地图(300)中。
6.根据前述权利要求中任一项所述的方法，其中在实施所述测量行驶时或在实施所述测量行驶之后确定所述识别指标。
7.根据前述权利要求中任一项所述的方法，其中所述识别指标在所述车辆中或在云中被确定。
8.根据前述权利要求中任一项所述的方法，其中在借助于所提供的传感器数据进行位置确定时，借助于SLAM算法创建定位数据。
9.根据权利要求8所述的方法，其中确定所估计的轨迹。
10.根据前述权利要求中任一项所述的方法，其中针对以下传感器类型中的至少一种确定传感器数据：雷达、激光雷达、摄像机、超声波。
11.一种用于创建高分辨率数字地图(300)的电子系统(200)，所述电子系统包括：
-至少一个传感器装置(220a...220n)，用于在测量行驶期间提供传感器数据；
-位置确定装置(210)，用于对装置进行位置确定；
-识别装置(230)，用于确定至少一个从所提供的传感器数据中识别的对象的识别指标；以及
-添加装置(240)，用于将至少一个附加层(310a...310n)添加到所述高分辨率数字地图(300)，其中所述至少一个附加层(310a...310n)包括至少一个所识别的对象的识别标识。
12.一种计算机程序产品，所述计算机程序产品具有程序代码件，用于当所述计算机程序产品在用于创建高分辨率数字地图(300)的电子设备(200)上运行或存储在计算机可读数据载体上时，实施根据权利要求1至10中任一项所述的方法。
CN202180049911.1A 2020-05-27 2021-05-26 用于提供高分辨率数字地图的方法和设备 Pending CN115956190A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102020206641.8 2020-05-27
DE102020206641.8A DE102020206641B4 (de) 2020-05-27 2020-05-27 Verfahren und Vorrichtung zum Bereitstellen einer hochauflösenden digitalen Karte
PCT/EP2021/063999 WO2021239789A1 (de) 2020-05-27 2021-05-26 Verfahren und vorrichtung zum bereitstellen einer hochauflösenden digitalen karte

Publications (1)

Publication Number Publication Date
CN115956190A true CN115956190A (zh) 2023-04-11

Family

ID=76217855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180049911.1A Pending CN115956190A (zh) 2020-05-27 2021-05-26 用于提供高分辨率数字地图的方法和设备

Country Status (7)

Country Link
US (1) US20230273047A1 (zh)
EP (1) EP4158530A1 (zh)
JP (1) JP2023528353A (zh)
KR (1) KR20230017258A (zh)
CN (1) CN115956190A (zh)
DE (1) DE102020206641B4 (zh)
WO (1) WO2021239789A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230350778A1 (en) * 2022-04-29 2023-11-02 Embark Trucks, Inc. Simulation evaluation pipeline

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102017204839A1 (de) 2017-03-22 2018-09-27 Robert Bosch Gmbh Verfahren und Vorrichtung zum Betreiben eines Fahrzeugs
DE102017207257A1 (de) * 2017-04-28 2018-10-31 Robert Bosch Gmbh Verfahren und Vorrichtung zum Erstellen und Bereitstellen einer hochgenauen Karte
KR102463175B1 (ko) 2017-09-04 2022-11-04 삼성전자주식회사 객체 인식 방법 및 장치
US20200058158A1 (en) 2018-08-16 2020-02-20 Uber Technologies, Inc. System and method for object location detection from imagery
US10775174B2 (en) 2018-08-30 2020-09-15 Mapbox, Inc. Map feature extraction system for computer map visualizations
US10430691B1 (en) 2019-01-22 2019-10-01 StradVision, Inc. Learning method and learning device for object detector based on CNN, adaptable to customers' requirements such as key performance index, using target object merging network and target region estimating network, and testing method and testing device using the same to be used for multi-camera or surround view monitoring
US10936903B2 (en) * 2019-03-30 2021-03-02 Intel Corporation Technologies for labeling and validating human-machine interface high definition-map data

Also Published As

Publication number Publication date
DE102020206641B4 (de) 2023-09-28
KR20230017258A (ko) 2023-02-03
EP4158530A1 (de) 2023-04-05
DE102020206641A1 (de) 2021-12-02
JP2023528353A (ja) 2023-07-04
WO2021239789A1 (de) 2021-12-02
US20230273047A1 (en) 2023-08-31

Similar Documents

Publication Publication Date Title
CN113642633B (zh) 用于对驾驶场景数据进行分类的方法、装置、设备和介质
CN110796007B (zh) 场景识别的方法与计算设备
US20180267538A1 (en) Log-Based Vehicle Control System Verification
CN110103983A (zh) 用于端对端自主车辆验证的系统和方法
US20220048533A1 (en) Method and system for validating autonomous control software for a self-driving vehicle
JP2018113015A (ja) オートノマスシステムの検証法
CN106991041A (zh) 用于测试用于自主车辆的软件的方法和装置
CN112286206B (zh) 自动驾驶的模拟方法、系统、设备、可读存储介质及平台
CN112204346B (zh) 用于确定车辆位置的方法
CN112711260B (zh) 一种用于自动驾驶车辆误/漏识别的预期功能安全测试评价方法
CN109211255A (zh) 用于为具有自动车辆系统的机动车规划路线的方法
CN110599853A (zh) 驾校智能教学系统及方法
CN111145291A (zh) 用于自动语义地图生成的系统和方法
CN111492320A (zh) 环境传感器的行为模型
CN117056153A (zh) 校准和验证驾驶员辅助系统和/或自动驾驶系统的方法、系统和计算机程序产品
CN112036427A (zh) 具有对象的真实感传感器融合检测估计的模拟
CN111947669A (zh) 用于将基于特征的定位地图用于车辆的方法
CN115956190A (zh) 用于提供高分辨率数字地图的方法和设备
CN114595738A (zh) 为识别模型生成训练数据的方法和生成识别模型的方法
CN112629547A (zh) 用于创建定位地图的方法和设备
CN117079238A (zh) 道路边沿检测方法、装置、设备及存储介质
CN111832365A (zh) 车道标记确定方法及装置
CN113343359B (zh) 一种自动驾驶预期功能安全触发条件评估方法及系统
CN114166234A (zh) 基于路害度量选择导航路线和路害识别预警的系统、方法、装置、处理器及计算机存储介质
CN113176594A (zh) 基于沙盘的车载预警测试方法、装置、计算机和存储介质

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