CN116091716A - 一种基于深度学习的高精度地图自动化制作系统及方法 - Google Patents
一种基于深度学习的高精度地图自动化制作系统及方法 Download PDFInfo
- Publication number
- CN116091716A CN116091716A CN202211743538.2A CN202211743538A CN116091716A CN 116091716 A CN116091716 A CN 116091716A CN 202211743538 A CN202211743538 A CN 202211743538A CN 116091716 A CN116091716 A CN 116091716A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- point cloud
- map
- making data
- map making
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习的高精度地图自动化制作系统及方法,其系统包括:获取模块,用于获取高精度地图制作的任务信息及其对应的地图制作数据;预处理模块,用于通过第一深度学习模型提取地图制作数据中的每个要素目标的目标检测信息;通过第一深度学习模型,对地图制作数据中的路面点云进行分割;要素提取模块,用于基于预设轨迹点密度和投影图像分辨率,对地图制作数据中的点云进行切割、旋转和投影,得到所述点云的投影图像;通过第二深度学习模型和所述标检测信息,从所述投影图像中提取每个要素的图像轮廓;矢量化模块,用于对每个要素的图像轮廓进行矢量化。本发明实现了城市高精地图要素提取的自动化,提高了制作效率。
Description
技术领域
本发明属于高精度地图制作技术领域,具体涉及一种基于深度学习的高精度地图自动化制作系统及方法。
背景技术
在当前自动驾驶技术迅猛发展的大背景下,自动驾驶高精地图应运而生,其在ADAS的安全性上扮演者不可或缺的角色,无论是在车端定位、决策还是在实景仿真验证上,均发挥着重要的作用。自动驾驶高精地图是对现实世界的抽象化,根据制作标准将交通要素按点线面进行表达,并构建相互间的拓扑关系等属性信息。自动驾驶车辆作为交通工具,未来主要的应用场景是在城市,但在机动车道路中,城市道路相对于高速、普通公路相比,交通要素更加丰富,数据采集难度大、干扰多,自动驾驶技术面临很大的挑战,而高精地图可以为自动驾驶车辆提供可靠的静态交通要素,以便于进行路径规划、实时定位感知等。目前城市高精地图的制作需求体量巨大,人工制作地图效率低,无法满足预期目标,所以需要根据制作标准为城市高精地图制作制定自动化提取方案。
发明内容
为解决人工制作城市高精度地图制作效率的问题,在本发明的第一方面提供了一种基于深度学习的高精度地图自动化制作系统,包括:获取模块,用于获取高精度地图制作的任务信息及其对应的地图制作数据,所述地图制作数据包括POS信息、点云和图像;预处理模块,用于通过第一深度学习模型提取地图制作数据中的每个要素目标的目标检测信息;通过第一深度学习模型,对地图制作数据中的路面点云进行分割;要素提取模块,用于基于预设轨迹点密度和投影图像分辨率,对地图制作数据中的点云进行切割、旋转和投影,得到所述点云的投影图像;通过第二深度学习模型和所述标检测信息,从所述投影图像中提取每个要素的图像轮廓;矢量化模块,用于对每个要素的图像轮廓进行矢量化。
在本发明的一些实施例中,所述预处理模块包括:目标检测单元,用于通过第一深度学习模型,提取地图制作数据中的每个要素目标的目标检测信息;路面提取单元,用于通过第一深度学习模型,对地图制作数据中的路面点云进行分割。
进一步的,所述预处理模块还包括:剔除单元,用于通过第一深度学习模型,对地图制作数据中的点云的动态目标进行剔除。
在本发明的一些实施例中,所述要素提取模块包括:投影单元,用于基于预设轨迹点密度和投影图像分辨率,对地图制作数据中的点云进行切割、旋转和投影,得到所述点云的投影图像;提取单元,用于通过第二深度学习模型和所述标检测信息,从所述投影图像中提取每个要素的图像轮廓。
进一步的,所述要素提取模块还包括:反算单元,用于将每个要素的图像轮廓反算到世界坐标系中,并利用路面点云的分割结果剔除高程值异常的图像轮廓。
在上述的实施例中,还包括:质检模块,用于对矢量化后的每个要素进行质检。
本发明的第二方面,提供了一种基于深度学习的高精度地图自动化制作方法,包括:获取高精度地图制作的任务信息及其对应的地图制作数据,所述地图制作数据包括POS信息、点云和图像;通过第一深度学习模型提取地图制作数据中的每个要素目标的目标检测信息;通过第一深度学习模型,对地图制作数据中的路面点云进行分割;基于预设轨迹点密度和投影图像分辨率,对地图制作数据中的点云进行切割、旋转和投影,得到所述点云的投影图像;通过第二深度学习模型和所述标检测信息,从所述投影图像中提取每个要素的图像轮廓;对每个要素的图像轮廓进行矢量化。
本发明的第三方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,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本发明在第二方面提供的基于深度学习的高精度地图自动化制作方法。
本发明的第四方面,提供了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本发明在第二方面提供的基于深度学习的高精度地图自动化制作方法。
本发明的有益效果是:
本发明通过地图制作数据和深度学习模型的结合,实现了城市高精地图要素提取的自动化,提高了制作效率。
附图说明
图1为本发明的一些实施例中的基于深度学习的高精度地图自动化制作系统的基本结构示意图;
图2为本发明的一些实施例中的基于深度学习的高精度地图自动化制作系统的具体结构示意图;
图3为本发明的一些实施例中的基于深度学习的高精度地图自动化制作方法的流程示意图;
图4为本发明的一些实施例中的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
参考图1与图2,在本发明的第一方面,提供了一种基于深度学习的高精度地图自动化制作系统1,包括:获取模块11,用于获取高精度地图制作的任务信息及其对应的地图制作数据,所述地图制作数据包括POS信息、点云和图像;预处理模块12,用于通过第一深度学习模型提取地图制作数据中的每个要素目标的目标检测信息;通过第一深度学习模型,对地图制作数据中的路面点云进行分割;要素提取模块13,用于基于预设轨迹点密度和投影图像分辨率,对地图制作数据中的点云进行切割、旋转和投影,得到所述点云的投影图像;通过第二深度学习模型和所述标检测信息,从所述投影图像中提取每个要素的图像轮廓;矢量化模块14,用于对每个要素的图像轮廓进行矢量化。
在本发明的一些实施例中,所述获取模块11,用于获取高精度地图制作的任务信息及其对应的地图制作数据,所述地图制作数据包括POS信息、点云和图像。
具体地,web服务端任务配置及下发:搭建一个可交互式的web服务,便于对任务的配置、派发和任务状态的可视化;任务服务执行下发指令:接收web服务下发的任务指令,执行要素提取工具,并监控任务状态,将状态信息反馈到web服务端;数据加载:根据得到的任务信息,加载相对应的数据,包括轨迹pos信息、轨迹范围内的若干段200米长点云,轨迹点对应的RGB图像。
在本发明的一些实施例中,所述预处理模块12包括:目标检测单元,用于通过第一深度学习模型,提取地图制作数据中的每个要素目标的目标检测信息;具体地,对于独立地物,如箭头、标识牌、文字面等进行目标检测,得到要素的最近轨迹点,即定位要素的大致位置,减少步骤5中要素提取的冗余数据,提高要素分割模型的推理效率。
路面提取单元,用于通过第一深度学习模型,对地图制作数据中的路面点云进行分割。利用点云深度学习分割模型将点云中的车辆、行人等动态目标剔除,排除以上噪声投影成图像后对步骤5中要素提取模型的干扰。
进一步的,所述预处理模块还包括:剔除单元,用于通过第一深度学习模型,对地图制作数据中的点云的动态目标进行剔除。具体地,利用点云深度学习分割模型分割出路面点云,为上述步骤的路宽统计提供输入参数,为上述步骤中的地面要素反算提供深度基准,以剔除在反算过程中的异常值。
在为满足精度、效率等条件的前提下,给定分辨率R,为要素提取过程中以轨迹点为中心生成点云投影图,遇到超宽道路时,单张俯视投影图无法覆盖当前道路的所有范围,故需要计算当前位置的道路宽度以及当前轨迹点
距离道路两侧的距离,进而适时调整投影中心,增加投影图片的数量,以覆5盖所有关键区域,防止因投影图缺失导致的要素漏检问题。
在本发明的一些实施例中,所述要素提取模块13包括:投影单元,用于基于预设轨迹点密度和投影图像分辨率,对地图制作数据中的点云进行切割、旋转和投影,得到所述点云的投影图像;提取单元,用于通过第二深度
学习模型和所述标检测信息,从所述投影图像中提取每个要素的图像轮廓。0具体地,点云切割:根据轨迹点密度D和投影图分辨率R,以轨迹点为
中心对点云进行切割,为点云旋转做准备;
点云旋转:点云切割过程中得到的点云块和对应轨迹点的POS信息,对点云块进行旋转,将点云道路方向进行统一,便于反算操作;
点云投影:根据分辨率R和点云旋转操作中得到的旋转后的点云块,分5别按俯视、侧视和前视生成投影图。目标分割:根据得到的投影图和预处理模块得到的目标检测信息,按要素调用对应的图像分割模型,从而得到各个要素在投影图中的图像轮廓。
进一步的,所述要素提取模块还包括:反算单元,用于将每个要素的图像轮廓反算到世界坐标系中,并利用路面点云的分割结果剔除高程值异常的0图像轮廓。具体地,根据分割结果和目标所在投影图对应的轨迹pos信息对分割结果进行反算,将结果换算回世界坐标系下,然后再利用预处理模块的路面分割结果,对反算结果进行校验,剔除在反算过程中的出现的高程异常值。
在上述的实施例中,还包括:质检模块,用于对矢量化后的每个要素进5行质检。要素提取模块最终得到的结果依然会存在漏检、误检和精度不达标的情况,通过人工校验,对上述情况进行修正;将要素提取模块得到的各个要素的矢量化结果写入数据库。
可以理解,上述第一深度学习模型或第二深度学习模型仅是为了功能划分的方便。在一些目标检测网络,例如YOLO系列,可以同时实现第一深度学习模型或第二深度学习模型等同的功能。
实施例2
参考图3,本发明的第二方面,提供了一种基于深度学习的高精度地图自动化制作方法,包括:S100.获取高精度地图制作的任务信息及其对应的地图制作数据,所述地图制作数据包括POS信息、点云和图像;S200.通过第一深度学习模型提取地图制作数据中的每个要素目标的目标检测信息;通过第一深度学习模型,对地图制作数据中的路面点云进行分割;S300.基于预设轨迹点密度和投影图像分辨率,对地图制作数据中的点云进行切割、旋转和投影,得到所述点云的投影图像;通过第二深度学习模型和所述标检测信息,从所述投影图像中提取每个要素的图像轮廓;S400.对每个要素的图像轮廓进行矢量化。
进一步的,还包括:对矢量化后的每个要素进行质检。
在本发明的一个实施例中,包括如下步骤:
步骤1、web服务端任务配置及下发;
步骤2、任务服务执行下发指令;
步骤3、数据加载;
步骤4、数据预处理;
步骤5、要素提取;
步骤6、人工校验;
步骤7、结果入库。
实施例3
参考图4,本发明的第三方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,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本发明在第二方面的基于深度学习的高精度地图自动化制作方法。
电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505: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506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备500,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4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。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM502被安装。在该计算机程序被处理装置501执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所描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5合。在本公开的实施例中,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0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。
5上述计算机可读介质可以是上述电子设备中所包含的;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计算机程序,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:
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实
施例的操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言0—诸如Java、Smalltalk、C++、Python,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5——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。需要注意的是,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。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的高精度地图自动化制作系统,其特征在于,包括:
获取模块,用于获取高精度地图制作的任务信息及其对应的地图制作数据,所述地图制作数据包括POS信息、点云和图像;
预处理模块,用于通过第一深度学习模型提取地图制作数据中的每个要素目标的目标检测信息;通过第一深度学习模型,对地图制作数据中的路面点云进行分割;
要素提取模块,用于基于预设轨迹点密度和投影图像分辨率,对地图制作数据中的点云进行切割、旋转和投影,得到所述点云的投影图像;通过第二深度学习模型和所述标检测信息,从所述投影图像中提取每个要素的图像轮廓;
矢量化模块,用于对每个要素的图像轮廓进行矢量化。
2.根据权利要求1所述的基于深度学习的高精度地图自动化制作系统,其特征在于,所述预处理模块包括:
目标检测单元,用于通过第一深度学习模型,提取地图制作数据中的每个要素目标的目标检测信息;
路面提取单元,用于通过第一深度学习模型,对地图制作数据中的路面点云进行分割。
3.根据权利要求2所述的基于深度学习的高精度地图自动化制作系统,其特征在于,所述预处理模块还包括:
剔除单元,用于通过第一深度学习模型,对地图制作数据中的点云的动态目标进行剔除。
4.根据权利要求1所述的基于深度学习的高精度地图自动化制作系统,其特征在于,所述要素提取模块包括:
投影单元,用于基于预设轨迹点密度和投影图像分辨率,对地图制作数据中的点云进行切割、旋转和投影,得到所述点云的投影图像;
提取单元,用于通过第二深度学习模型和所述标检测信息,从所述投影图像中提取每个要素的图像轮廓。
5.根据权利要求4所述的基于深度学习的高精度地图自动化制作系统,其特征在于,所述要素提取模块还包括:
反算单元,用于将每个要素的图像轮廓反算到世界坐标系中,并利用路面点云的分割结果剔除高程值异常的图像轮廓。
6.根据权利要求1至5任一项所述的基于深度学习的高精度地图自动化制作系统,其特征在于,还包括:
质检模块,用于对矢量化后的每个要素进行质检。
7.一种基于深度学习的高精度地图自动化制作方法,其特征在于,包括:
获取高精度地图制作的任务信息及其对应的地图制作数据,所述地图制作数据包括POS信息、点云和图像;
通过第一深度学习模型提取地图制作数据中的每个要素目标的目标检测信息;通过第一深度学习模型,对地图制作数据中的路面点云进行分割;
基于预设轨迹点密度和投影图像分辨率,对地图制作数据中的点云进行切割、旋转和投影,得到所述点云的投影图像;通过第二深度学习模型和所述标检测信息,从所述投影图像中提取每个要素的图像轮廓;
对每个要素的图像轮廓进行矢量化。
8.根据权利要求7所述的基于深度学习的高精度地图自动化制作方法,其特征在于,还包括:对矢量化后的每个要素进行质检。
9.一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,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7至8任一项所述的于深度学习的高精度地图自动化制作方法。
10.一种计算机可读介质,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7至8任一项所述的于深度学习的高精度地图自动化制作方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211743538.2A CN116091716A (zh) | 2022-12-30 | 2022-12-30 | 一种基于深度学习的高精度地图自动化制作系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211743538.2A CN116091716A (zh) | 2022-12-30 | 2022-12-30 | 一种基于深度学习的高精度地图自动化制作系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116091716A true CN116091716A (zh) | 2023-05-09 |
Family
ID=86211550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211743538.2A Pending CN116091716A (zh) | 2022-12-30 | 2022-12-30 | 一种基于深度学习的高精度地图自动化制作系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091716A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116295469A (zh) * | 2023-05-19 | 2023-06-23 | 九识(苏州)智能科技有限公司 | 高精地图的生成方法、装置、设备及存储介质 |
-
2022
- 2022-12-30 CN CN202211743538.2A patent/CN116091716A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116295469A (zh) * | 2023-05-19 | 2023-06-23 | 九识(苏州)智能科技有限公司 | 高精地图的生成方法、装置、设备及存储介质 |
CN116295469B (zh) * | 2023-05-19 | 2023-08-15 | 九识(苏州)智能科技有限公司 | 高精地图的生成方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11738770B2 (en) | Determination of lane connectivity at traffic intersections for high definition maps | |
KR20200121274A (ko) | 전자 지도를 업데이트하기 위한 방법, 장치 및 컴퓨터 판독 가능한 저장 매체 | |
CN110796714B (zh) | 一种地图构建方法、装置、终端以及计算机可读存储介质 | |
US11590989B2 (en) | Training data generation for dynamic objects using high definition map data | |
CN111462275A (zh) | 一种基于激光点云的地图生产方法和装置 | |
WO2021007117A1 (en) | Generating training data for deep learning models for building high definition maps | |
CN113034566B (zh) | 高精度地图构建方法、装置、电子设备及存储介质 | |
EP4116935B1 (en) | High-definition map creation method and device, and electronic device | |
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 | |
CN115540896A (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
US11699234B2 (en) | Semantic segmentation ground truth correction with spatial transformer networks | |
CN112541049A (zh) | 高精地图处理方法、装置、设备、存储介质和程序产品 | |
CN112432650A (zh) | 高精地图数据的获取方法、车辆控制方法以及设备 | |
CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
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 | |
CN116071729A (zh) | 可行驶区域和路沿的检测方法、装置及相关设备 | |
CN114187357A (zh) | 一种高精地图的生产方法、装置、电子设备及存储介质 | |
CN117932763A (zh) | 基于数字孪生的高速公路交通模型构建方法 | |
CN115468578B (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
CN113496182B (zh) | 基于遥感影像的道路提取方法及装置、存储介质及设备 | |
CN114136327B (zh) | 一种虚线段的查全率的自动化检查方法及系统 | |
CN114049449A (zh) | 一种高精度地图道路层级的计算方法及系统 | |
CN113763522A (zh) | 地图渲染方法、装置、设备和介质 | |
CN111383337A (zh) | 用于识别对象的方法和装置 | |
CN116166761A (zh) | 一种基于新增道路场景的高精地图全要素更新方法及装置 |
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 |