CN116521809A - 一种车道线真值获取方法及系统 - Google Patents

一种车道线真值获取方法及系统 Download PDF

Info

Publication number
CN116521809A
CN116521809A CN202310487118.0A CN202310487118A CN116521809A CN 116521809 A CN116521809 A CN 116521809A CN 202310487118 A CN202310487118 A CN 202310487118A CN 116521809 A CN116521809 A CN 116521809A
Authority
CN
China
Prior art keywords
road
lane line
map
data
vehicle
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
CN202310487118.0A
Other languages
English (en)
Inventor
刘佳浩
刘亚
杨子江
潘余曦
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.)
Xi'an Xinxin Information Technology Co ltd
Cross Information Core Technology Research Institute Xi'an Co ltd
Original Assignee
Xi'an Xinxin Information Technology Co ltd
Cross Information Core Technology Research Institute Xi'an 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 Xi'an Xinxin Information Technology Co ltd, Cross Information Core Technology Research Institute Xi'an Co ltd filed Critical Xi'an Xinxin Information Technology Co ltd
Priority to CN202310487118.0A priority Critical patent/CN116521809A/zh
Publication of CN116521809A publication Critical patent/CN116521809A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于汽车智能驾驶领域，提供一种车道线真值获取方法及系统，方法包括获取当前的地图信息以及距离自车位置最近的地图道路上的中心点；基于地图道路上的中心点在自车所在位置向前搜索道路点，基于车头朝向向量计算横向补偿距离，从而获取到车道线离散点真值信息，针对车道线离散点真值信息通过多维曲线拟合方法离散点拟合三维曲线，通过三维曲线获取到当前车道线的真值参数；发送当前车道线的真值参数。本方法满足自动驾驶仿真技术应用需求，也满足软件结构中下游模块数据输入要求，并在此基础上提供了高精度的数值。

Description

一种车道线真值获取方法及系统
技术领域
本发明所属领域是汽车智能驾驶领域，具体涉及一种车道线真值获取方法与系统。
背景技术
为了减少道路交通事故，提高出行效率和提升出行体验，近年来汽车智能驾驶技术发展迅猛，智能驾驶技术包括感知、规划、决策、控制等多个方面。而虚拟仿真技术是汽车研发，制造，验证测试等环节中不可或缺的技术手段，能有效缩短技术和产品的研发周期，降低研发成本。随着汽车智能化，网联化趋势发展，虚拟仿真技术在自动驾驶领域有了更大的发挥空间，当前业界针对智能驾驶的测试手段已经形成了“三支柱”法的共识，即：仿真测试、封闭场地测试、开放道路测试。虚拟仿真测试是实现高阶智能辅助驾驶落地应用的关键一环，具备自动驾驶功能的车辆必须经过大量的虚拟仿真测试以及实车路测之后才能商用化。仿真测试包括以下几种类型：模型在环仿真(MIL，Model in-the-Loop)-软件在环仿真(SIL，Soft Ware in-the-Loop)-硬件在环仿真(HIL，Hard Ware in-the-Loop)-整车在环仿真(VIL，Vehicle in-the-Loop)。
现有车道线提取方法或技术产品的缺陷有：1)相关算法及产品强依赖于传感器数据，仿真研究及软件产品相对较少，无法在仿真环境中生成获取稳定的真值数据，导致开发难度加大。在中国专利申请名称为《一种基于无人驾驶车辆的车道线坐标真值获取方法及装置》中，介绍了基于相机获取图像后的车道线获取方法。该方法取决于相机曝光后的像素识别，当环境失稳时，如光强过高，过暗等情况，将无法有效提供像素信息，且此类运算中存在识别误差与计算误差，故车道线真值结果收敛性差；2)车道线数据结果均采用感知算法，打断点预测拟合等方式获取，方法存在系统误差，可信度需要考量。在中国专利申请名称为《车道中心线精度的确定方法，装置，设备及存储介质》中介绍了基于车道线中心线真值上打断点的方式来获取边缘距离，从而提高车道线中心精度的方法。该方法基于车辆实际的行车轨迹获取原始数据，意味着该数据本身存在有先发生后拿取的误差，且在打断点获取边缘距离时，应对弯道，交通路口时，此处理方法会导致输出不稳定；3)结果实时性差，迭代收敛速度慢。在中国专利申请名称为《车道线识别异常时间确定方法，车道线识别装置及系统》中介绍了根据后验车道线结果更新车道线，采用构建置信度的方式来求取车道线真值。此方法可以在系统运行起来一段时间后提供已过时间的有效信息，虽然提供了后续查验时的详细信息，但无法直接在原始数据获取时提供有效信息，不能快速发现问题，数据实时性及有效性差；4)基于Carla的Client端开发的方法，数据迭代运算速度慢，影响整体系统效率，此外架构不稳定，易从Python API非法改造，安全性受限。
发明内容
为了解决现有技术中存在的问题，本发明提供了一种车道线真值获取方法及系统。本方法满足自动驾驶仿真技术应用需求，也满足软件结构中下游模块数据输入要求，并在此基础上提供了高精度的数值。
为达到上述目的，本发明采用以下技术方案予以实现：
第一方面，本发明提供一种车道线真值获取方法，包括：
获取当前的地图信息以及距离自车位置最近的地图道路上的中心点；
基于地图道路上的中心点在自车所在位置向前搜索道路点，基于车头朝向向量计算横向补偿距离，从而获取到车道线离散点真值信息，针对车道线离散点真值信息通过多维曲线拟合方法离散点拟合三维曲线，通过三维曲线获取到当前车道线的真值参数；
发送当前车道线的真值参数。
作为本发明的进一步改进，所述获取当前的地图信息以及距离自车位置最近的地图道路上的中心点，包括：
在一次世界快照中，获取当前的地图Map信息以及距离自车位置最近的地图道路上的中心点，判断最近的地图道路上的中心点是否有效；
若有效，进入搜寻下一个地图道路上的中心点的循环逻辑步骤，循环逻辑步骤是：设定自适应的向前搜索距离，由近及远的向前搜索道路的地图道路上的中心点；
若无效，判断上一个世界快照中地图道路上的中心点的有效性，若有效，则按照上一世界快照结束时的数据进行复制，完成保存和输出，若无效，则将输出数据结构进行初始化，完成保存和输出，置此世界快照的数据为无效。
作为本发明的进一步改进，所述自适应的向前搜索距离公式为：
D＝(DOri/S)+2
其中：D为每次的自适应距离，DOri为初始向前搜索距离，S为循环次数；
由近及远的向前搜索道路的地图道路上的中心点后还包括：判断取到的下一个地图道路上的中心点的有效性；若有效，则该数据将被保存记录；若无效，该数据将舍弃。
作为本发明的进一步改进，所述基于地图道路上的中心点在自车所在位置向前搜索道路点，基于车头朝向向量计算横向补偿距离，包括：
获取地图道路上的中心点数据，进而求解地图道路上的中心点坐标数据，由中心点坐标数据求解坐标转换关系和求解车头朝向向量；基于车头朝向向量的得到横向车道线补偿值，基于横向车道线补偿值获取主道路边缘线点，进而获取自车左侧、左左侧、右侧、右右侧地图道路上的中心点及相关数据。
作为本发明的进一步改进，所述获取地图道路上的中心点数据，进而求解地图道路上的中心点坐标数据，由中心点坐标数据求解坐标转换关系和求解车头朝向向量，包括：
利用获取到的Actor ID作为索引，在地图上获取到坐标向量；
根据地图的固有坐标系，以及获取到的坐标向量及自车位置，将数据转换到自车坐标系下，求解得到地图道路上的中心点坐标数据；
所述由中心点坐标数据求解坐标转换关系和求解车头朝向向量，包括：
获取自车Actor ID，从而获得当前自车的朝向向量，根据当前指定的目标，返回目标的朝向向量。
作为本发明的进一步改进，所述基于车头朝向向量的得到横向车道线补偿值，基于横向车道线补偿值获取主道路边缘线点，进而获取自车左侧、左左侧、右侧、右右侧地图道路上的中心点及相关数据，包括：
获取到自车朝向向量后，计算自车朝向向量的单位向量，并求取车道宽度进行对车道宽度所在方向的投影计算，投影计算公式为：
Vecabs＝[1，-1,0]TVecOri/(2*S*L)
其中，Vecabs指投影计算完后的向量，其包含分量[x,y,z]，分别对应每个轴上的补偿值；[1，-1，0]T表示三个分量的计算方向；VecOri指的是自车车头朝向向量；S为车头朝向向量在x，y轴上分量的模长,其求取公式为：L指车道宽度；
采用投影计算得到横向车道线补偿值；
在地图道路上的中心点数据上向左向右延伸一次补偿值，得到对应的当前行进的主道路边缘线点，在逐步求取下一个地图道路上的中心点的迭代过程中，可以依次获取主道路边缘线的所有离散点；
基于主道路边缘线的所有离散点，分别向左侧，左左侧，右侧，右右侧搜索；
在得到主道的地图道路上的中心点坐标数据后，向负方向推移预设倍数的补偿值，获得可能存在做侧地图道路上的中心点的坐标，基于此坐标判断是否存在对应的地图道路上的中心点，如果存在，则获取到左侧道路边缘线的所有离散点，并随后计算左左侧道路；如果不存在，则返回并跳过计算左左侧道路；
右侧道路及右右侧道路采用与左侧道路相同的方法进行计算。
作为本发明的进一步改进，所述针对车道线离散点真值信息通过多维曲线拟合方法离散点拟合三维曲线，包括：
对车道线离散点真值信息进行拟合；当车道线存在分段情况时，对直道与弯道分段计算曲线参数；取第一段曲线末尾的多个离散点与第二段曲线首部的多个离散点，形成新的数据组，并求取这一组数据的平均曲率，用平均曲率来表征拟合曲线的斜率，实现车道线分段情况下的衔接处曲率平滑操作，得到车道线的表达式，构建三次曲线模型；
将数据点中方差分布超出正态分布3σ的点剔除，基于三次曲线模型输入数据构建最小二乘问题的拟合函数，利用矩阵系数方程求解给定的拟合函数，实现离散点拟合三维曲线。
作为本发明的进一步改进，所述通过三维曲线获取到当前车道线的真值参数之后，还包括：
将车道线真值参数数据与获取的地图道路上的中心点进行结构化整理，包括：
单独的地图道路上的中心点结构，包括：路点坐标值x，y，z，路点所在的道路，路点所在的道路类型，路点所在的道路宽度，点，路点对应的车道线类型，路点对应的车道线颜色，路点对应的车道线宽度；
车道线参数结构，包括：车道线的输出有效性及车道线的长度大小。
作为本发明的进一步改进，所述发送当前车道线的真值参数，是指发送整备好的数据，数据通转换为字符串类型，依次以数据流形式发送；
当前车道线的真值参数发送完成后，当前世界快照完成；之后不断进行世界快照，返回获取当前的地图信息以及距离自车位置最近的地图道路上的中心点的步骤；
当前车道线的真值参数与传感器识别结果做对比，能够得到传感器感知算法的优化方向；或者当前车道线的真值参数作为规划控制模块的输入，参与下游路径规划或接入导航系统。
第二方面，本发明提供一种车道线真值获取系统，包括：
车道线真值获取系统，其特征在于，包括：
获取模块，用于获取当前的地图信息以及距离自车位置最近的地图道路上的中心点；
求解模块，用于基于地图道路上的中心点在自车所在位置向前搜索道路点，基于车头朝向向量计算横向补偿距离，从而获取到车道线离散点真值信息，针对车道线离散点真值信息通过多维曲线拟合方法离散点拟合三维曲线，通过三维曲线获取到当前车道线的真值参数；
发送模块，用于发送当前车道线的真值参数。
第三方面，本发明提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述车道线真值获取方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述车道线真值获取方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明利用Carla中Open-drive模块提供的模型作为原始数据输入，获取当前的地图信息以及距离自车位置最近的地图道路上的中心点，避免采集、感知造成的系统测量误差，逐步读取地图Map，车道线Lane，地图道路上的中心点Waypoint等信息并保存，设计逻辑确保各环节的数据安全，采用改进最小二乘法作为车道线曲线拟合方法，获得到当前帧环境情况下的车道线参数及相关数据真值。本方法满足自动驾驶仿真技术应用需求，也满足软件结构中下游模块数据输入要求，并在此基础上提供了高精度的数值。本发明可以方便的获取原始数据，并可以在不同类型的地图上快速适用；本方法数据结果可靠性更高，本方法中不涉及感知算法，评估置信度，后验迭代更新等会引入计算误差的方法，为下游提供了更鲁棒的数据输入，也为多重实验提供了强有力的参考；本方法得到的车道线结果精度极高，可以做到与地图建模同样等级的精度结果，相比同条件下的传感器识别得到的结果，本方法的精度提高了至少一个数量级。
附图说明
图1为本发明一种车道线真值获取方法流程图；
图2为本发明实施例给出的Carla的基本结构；
图3为本发明实施例给出的车道线真值获取模块架构图；
图4为本发明实施例给出的Lane Detect软件详细流程图；
图5为本发明实施例给出的Get地图道路上的中心点Data部分详细步骤；
图6为本发明实施例给出的Lane Detect软件发送数据到Carla Server端；
图7为本发明提供的车道线真值获取系统示意图；
图8为本发明提供的一种电子设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
术语解释：
自动驾驶仿真技术：为确保智能网联汽车安全上路，随着计算机技术的发展，人们采用数学建模，场景重构等方式将自动驾驶应用场景进行还原，建立尽可能接近真实世界的系统模型，从而完成现实中难以出现或复现场景的自动驾驶软件设计开发验证等工作，该领域技术被称为自动驾驶仿真技术。
SIL：全称为Soft Ware in-the-Loop，意为软件在环，属于自动驾驶仿真技术。指计算机通过运行系统环境中的车辆模型及处理虚拟模型中获取的各类传感器、控制器信号，并能接收虚拟ECU发出的控制信号及台架传感器的信号，从而将被测虚拟ECU与系统环境模型相连接，实现软件上的仿真与控制系统闭环。SIL测试是汽车软件测试V字开发模型中必不可少的一步。
自动驾驶仿真模拟器：自动驾驶仿真模拟器是为自动驾驶汽车虚拟仿真测试提供的软件平台，自动驾驶仿真模拟器能提供丰富的数据环境模型，并支持多传感器，如激光雷达，摄像机等，及汽车控制器等软硬件接入，并具备功能强大的API及多元化开发接口，其软件架构可延展性强，对自动驾驶仿真技术研发提供了优良的平台。如Carla，PreScan，Carsim等均为市面上优秀的自动驾驶仿真模拟器。
车道线真值：车道线真值指的是通过某些方法获取到路面车道信息的真实数据，其作为一个理想状态量，可以用于自动驾驶感知算法的结果对比，参与融合，也可以直接作为规划控制的输入。
本发明的目的是提供基于Carla的车道线真值数据获取方法。如图1所示，本发明第一个目的是提供一种车道线真值获取方法，其特征在于，包括：
S100，获取当前的地图信息以及距离自车位置最近的地图道路上的中心点；
S200，基于地图道路上的中心点在自车所在位置向前搜索道路点，基于车头朝向向量计算横向补偿距离，从而获取到车道线离散点真值信息，针对车道线离散点真值信息通过多维曲线拟合方法离散点拟合三维曲线，通过三维曲线获取到当前车道线的真值参数；
S300，发送当前车道线的真值参数。
本发明利用Carla中Open-drive模块提供的模型作为原始数据输入，避免采集、感知造成的系统测量误差，逐步读取地图Map，车道线Lane，地图道路上的中心点Waypoint等信息并保存，设计逻辑确保各环节的数据安全，采用改进最小二乘法作为车道线曲线拟合方法，获得到当前帧环境情况下的车道线参数及相关数据真值。本方法满足自动驾驶仿真技术应用需求，也满足软件结构中下游模块数据输入要求，并在此基础上提供了高精度的数值。
本发明所涉及的方法及成果对应于SIL部分。该方法基于Carla，从Open-drive中获取地图信息，实现于底层UE架构到Server端。方法在自车所在位置向前搜索道路点，并基于车头朝向向量计算横向补偿距离，从而获取到车道线离散点真值信息，通过多维曲线拟合方法获取到当前车道线的参数，进而输出。
本发明基于仿真技术完成车道线真值获取，相比于现有方法的主要改进为：
1)本方法不依赖传感器对环境的感知来生成数据，而基于仿真环境模型上获取数据，从系统上避免了测量误差，结果属于真值数据；
2)降低了运算成本和维护代价，同时扩大了环境的适应性，方法实现在UE到Carla-Sever端的底层，利用Carla中Lane和Actor的属性，可以方便的获取原始数据，并可以在不同类型的地图上快速适用；
3)本方法数据结果可靠性更高，本方法中不涉及感知算法，评估置信度，后验迭代更新等会引入计算误差的方法，为下游提供了更鲁棒的数据输入，也为多重实验提供了强有力的参考；
4)本方法得到的车道线结果精度极高，可以做到与地图建模同样等级的精度结果，相比同条件下的传感器识别得到的结果，本方法的精度提高了至少一个数量级。
5)软件基于Carla的Server端开发，整体响应速度更快，功能架构更加稳定，更改时避免反复编译，提高了效率。
作为本发明的具体示例，所述获取当前的地图信息以及距离自车位置最近的地图道路上的中心点，包括：
S1：在一次世界快照中，获取当前的地图Map信息以及距离自车位置最近的地图道路上的中心点，判断最近的地图道路上的中心点是否有效；
S2：若有效，进入搜寻下一个地图道路上的中心点的循环逻辑步骤，循环逻辑步骤是：设定自适应的向前搜索距离，由近及远的向前搜索道路的地图道路上的中心点；
S3：若无效，判断上一个世界快照中地图道路上的中心点的有效性，若有效，则按照上一世界快照结束时的数据进行复制，完成保存和输出，若无效，则将输出数据结构进行初始化，完成保存和输出，置此世界快照的数据为无效。
其中，本发明还给出了具体的实施例，所述自适应的向前搜索距离公式为：
D＝(DOri/S)+2
其中：D为每次的自适应距离，DOri为初始向前搜索距离，S为循环次数；
由近及远的向前搜索道路的地图道路上的中心点后还包括：判断取到的下一个地图道路上的中心点的有效性；若有效，则该数据将被保存记录；若无效，该数据将舍弃。
作为本发明的具体示例，所述基于地图道路上的中心点在自车所在位置向前搜索道路点，基于车头朝向向量计算横向补偿距离，包括：
获取地图道路上的中心点数据，进而求解地图道路上的中心点坐标数据，由中心点坐标数据求解坐标转换关系和求解车头朝向向量；基于车头朝向向量的得到横向车道线补偿值，基于横向车道线补偿值获取主道路边缘线点，进而获取自车左侧、左左侧、右侧、右右侧地图道路上的中心点及相关数据。
在本步骤S200中，所述获取地图道路上的中心点数据，进而求解地图道路上的中心点坐标数据，包括：
利用获取到的Actor ID作为索引，在地图上获取到坐标向量；
根据地图的固有坐标系，以及获取到的坐标向量及自车位置，将数据转换到自车坐标系下，求解得到地图道路上的中心点坐标数据。
在本步骤S200中，所述由中心点坐标数据求解坐标转换关系和求解车头朝向向量，包括：
获取自车Actor ID，从而获得当前自车的朝向向量，根据当前指定的目标，返回目标的朝向向量。
在本步骤S200中，所述基于车头朝向向量的得到横向车道线补偿值，基于横向车道线补偿值获取主道路边缘线点，进而获取自车左侧、左左侧、右侧、右右侧地图道路上的中心点及相关数据，包括：
在地图道路上的中心点数据上向左向右延伸一次补偿值，得到对应的当前行进的主道路边缘线点，在逐步求取下一个地图道路上的中心点的迭代过程中，可以依次获取主道路边缘线的所有离散点；
基于主道路边缘线的所有离散点，分别向左侧，左左侧，右侧，右右侧搜索；
在得到主道的地图道路上的中心点坐标数据后，向负方向推移预设倍数的补偿值，获得可能存在做侧地图道路上的中心点的坐标，基于此坐标判断是否存在对应的地图道路上的中心点，如果存在，则获取到左侧道路边缘线的所有离散点，并随后计算左左侧道路；如果不存在，则返回并跳过计算左左侧道路；
右侧道路及右右侧道路采用与左侧道路相同的方法进行计算。
在本步骤S200中，所述针对车道线离散点真值信息通过多维曲线拟合方法离散点拟合三维曲线，包括：
对车道线离散点真值信息进行拟合；当车道线存在分段情况时，对直道与弯道分段计算曲线参数；取第一段曲线末尾的多个离散点与第二段曲线首部的多个离散点，形成新的数据组，并求取这一组数据的平均曲率，用平均曲率来表征拟合曲线的斜率，实现车道线分段情况下的衔接处曲率平滑操作，得到车道线的表达式，构建三次曲线模型；
将数据点中方差分布超出正态分布3σ的点剔除，基于三次曲线模型输入数据构建最小二乘问题的拟合函数，利用矩阵系数方程求解给定的拟合函数，实现离散点拟合三维曲线。
在本步骤S200中，为了进行数据传输及与硬件的匹配，所述通过三维曲线获取到当前车道线的真值参数之后，还包括：
将车道线真值参数数据与获取的地图道路上的中心点进行结构化整理，包括：
单独的地图道路上的中心点结构，包括：路点坐标值x，y，z，路点所在的道路，路点所在的道路类型，路点所在的道路宽度，点，路点对应的车道线类型，路点对应的车道线颜色，路点对应的车道线宽度；
车道线参数结构，包括：车道线的输出有效性及车道线的长度大小。
在本步骤S300中，发送当前车道线的真值参数，是指发送整备好的数据，数据通转换为字符串类型，依次以数据流形式发送；
本发明是实时获取数据，因此当前车道线的真值参数发送完成后，当前世界快照完成；之后不断进行世界快照，返回获取当前的地图信息以及距离自车位置最近的地图道路上的中心点的步骤。
本发明最终的数据可以具有多种用途，例如，当前车道线的真值参数与传感器识别结果对比，能够得到传感器感知算法的优化方向；或者当前车道线的真值参数作为规划控制模块的输入，参与下游路径规划或接入导航系统。
以下对本发明实施例的各个步骤进行详细说明。
实施例1
在本发明的一个实例中，下文叙述中的基础硬件及系统应用软件背景为：
计算机硬件：主机：Hp-TE01，配备CPU名称：i5-12400F，数量：20，内存：32GB；显卡：NVIDIA RTX-3080，数量：1，显存：12GB，Linux操作系统Ubuntu20.04版本；
Carla作为本发明提及的车道线真值获取软件的开发依赖，其版本不低于0.9.13，该版本发布于2021年11月；
Carla的相关依赖组件为Unreal-engine虚幻引擎，其版本不低于4.26，该版本发布于2020年12月；
如图2为Carla的Client与Server端的架构示意图。Carla分为客户端Client和服务端Server，Server端通过C++完成技术实现，信息通讯等功能，Client端通过python脚本调用Server的高级功能接口来呈现给客户信息，底层架构主要由UE实现。本发明提及的方法及软件基于底层UE到Server端之间的架构上完成。通常Carla会在UE底层调用数据和API接口，对自身模块中的处理结果进行数据序列化操作，再从Server端发送出去，本发明提及的软件架构开发位置遵从Carla的部署模式，这样的好处是提高了功能嵌入系统的稳定性，做到数据安全的同时，也不向用户暴露核心技术代码，又提高了运行速度。
车道线真值获取模块的架构为图3所示：其中用户User到网络Web部分指最上游从网页端收到了获取车道线的指令，该指令被节点任务管理器Task Manager所控制，确认线程安全及通讯建立正常后进入到车道线获取Lane Detect部分。
Lane Detect是本申请实现的核心方法及软件，其中包含流程：World Tick世界快照，Lane Function车道线求取部分及Send Data数据重构与发送部分。世界快照指当前传感器从世界中获取一次可接触数据的操作，类比于常规传感器的“一帧”含义；其中世界快照与Send Data属于Carla的衔接架构部分，分别代表了单独一帧运算及数据重组发送过程。
Lane Detect结果数据发送后，由Task Manager发送反馈至Web，再到User。此外，Task Manager也决定了是否保存数据结果至Data部分，或是进行可视化渲染，即Visualization部分。
如图4所示为上述Lane Detect软件的详细流程图，包括如下步骤：
S1：在一次世界快照中，软件从仿真世界模型里提取出当前的地图Map信息以及距离自车位置最近的地图道路上的中心点Waypoint，地图道路上的中心点是地图道路上的中心点，其包含了点的ID，点所在的车道，路线信息，这些数据来自于Carla的Open Drive模块，其与Carla世界模型高度匹配。
考虑当前车辆行驶状态存在异常的可能性，例如发生了逆行的情况，行驶在野地丛林等，需要对是否取到了地图道路上的中心点进行逻辑判断，如有效性Validity为真，则进入S2，若有效性为假，则进入S3；
S2：当确认取到距离自车最近的地图道路上的中心点是有效的之后，进入搜寻下一个地图道路上的中心点的循环逻辑，循环逻辑是：设定自适应的向前搜索距离，由近及远的向前搜索道路的地图道路上的中心点。
其中，自适应向前搜索距离公式为：
D＝(DOri/S)+2
其中：D为每次的自适应距离，DOri为初始向前搜索距离，S为循环次数。
判断取到的下一个地图道路上的中心点的有效性，为真时进入S2.1，为假时进入S2.2逻辑，当循环搜索达到设置的上限时，跳出循环，进入S4；
S2.1：循环中取到的下一个地图道路上的中心点是有效的，该数据将被保存记录；
S2.2：循环中取到的下一个地图道路上的中心点是无效的，该数据将舍弃；
S3：取到的地图道路上的中心点无效，则此时不具备在地图上求取车道线的环境，故判断上一个世界快照中，此取地图道路上的中心点步骤时的有效性，若为真有效，进入S3.1，若为假无效，进入S3.2；
S3.1：上一世界快照中取地图道路上的中心点有效，则按照上一世界快照结束时的数据进行复制，完成保存和输出，置此世界快照的数据为有效；
S3.2：上一世界快照中取地图道路上的中心点无效，则将输出数据结构进行初始化，完成保存和输出，置此世界快照的数据为无效。
S4：图4中虚线框部分均属于S4步骤范畴，属于本发明的实现获取真值车道线数据的核心方法，方法实现流程为：
S4.1：获取地图道路上的中心点数据。步骤主要包含：S4.1.1求解地图道路上的中心点坐标数据，S4.1.2求解坐标转换关系，S4.1.3求解车头朝向向量，S4.1.4基于车头朝向向量的横向车道线补偿值，S4.1.5基于补偿值的主道路边缘线点获取，S4.1.6获取自车左侧，左左侧，右侧，右右侧地图道路上的中心点及相关数据；如图5所示；
S4.1.1求解地图道路上的中心点坐标数据是利用获取到的Actor ID作为索引，此时的Actor ID就是当前地图道路上的中心点在地图中的ID标识，具有唯一性，通过调用UEOpen Drive模块的接口，在地图Map上获取到坐标向量；
S4.1.2根据Map的固有坐标系，以及S4.1.1获取到的坐标向量及自车位置，将数据转换到自车坐标系下；
S4.1.3车头朝向向量求解与S4.1.1步骤类似，获取自车Actor ID，调用UE底层中求解朝向的Forward方法，从而获得当前自车的朝向向量。Forward方法会根据当前指定的目标，返回目标的朝向向量，这种方法相比寻常的矩阵运算或是三角函数运算，效率极高；
S4.1.4获取到自车朝向向量后，计算该向量的单位向量，并求取车道宽度进行对车道宽度所在方向的投影计算，投影计算公式为：
Vecabs＝[1，-1,0]TVecOri/(2*S*L)
其中Vecabs指投影计算完后的向量，其包含分量[x,y,z]，分别对应了每个轴上的补偿值；[1，-1，0]T表示三个分量的计算方向，其中x轴方向不变，y轴方向翻转，z轴结果对此向量不产生作用，故用0处理；VecOri指的是自车车头朝向向量；S为车头朝向向量在x，y轴上分量的模长,其求取公式为：L指车道宽度。
该补偿值的两个分量绝对值之和为车道宽度，各自分量对应了道路的曲率及弯曲方向，故使用此公式计算时，可以有效应对转弯，变道等情况下的车道线位置补偿计算。
S4.1.5基于S4.1.1及S4.1.4，在地图道路上的中心点数据上向左向右延伸一次补偿值，可以得到对应的当前行进的主道路边缘线点，在逐步求取下一个地图道路上的中心点的迭代过程中，可以依次获取主道路边缘线的所有离散点。
S4.1.6基于S4.1.5步骤结果，分别向左侧，左左侧，右侧，右右侧搜索。以左侧及左左侧为例，在得到主道的地图道路上的中心点坐标数据后，向负方向推移3倍的补偿值，则获得了可能存在做侧地图道路上的中心点的坐标，基于此坐标判断是否存在对应的地图道路上的中心点，如果存在，则操作步骤如S4中其他流程一样，获取到左侧道路边缘线的所有离散点，并随后如此法计算左左侧道路(左左侧道路基于地图道路上的中心点坐标数据向负方向补偿5倍补偿值)；如果不存在，则返回并跳过计算左左侧道路；右侧道路与右右侧道路同理(右侧道路计算基于地图道路上的中心点坐标数据向正方向补偿3倍补偿值，右右侧正向补偿5倍补偿值)。
S4.2 Curve Fitting部分使用改进的最小二乘法实现了离散点拟合三维曲线。
该方法的基本流程为：
1.考虑车道线的表达式，构建三次曲线模型；2.通过输入数据构建最小二乘问题；3.利用矩阵系数方程求解给定的拟合函数。
本申请方法对上述提到的最小二乘法还做了额外的改进，可以有效提高结果有效性，增加可视化美观度等，改进点有：
1)：车道线分段情况下的衔接处曲率平滑操作。当车道线存在分段情况时，例如直道转弯，直道与弯道分段计算了曲线参数。取第一段曲线末尾的4个离散点与第二段曲线首部的4个离散点，形成新的数据组，并求取这一组数据的平均曲率，用平均曲率来表征拟合曲线的斜率；
2)：数据有效性审查操作。为了求取更加精确的模型，在求解最小二乘问题前，将数据点中方差分布超出正态分布3σ的点剔除掉，避免该点参与求解对原数据组造成影响。
S4.3 Reconstructing Data数据结构重组部分，将S4.2部分的车道线真值参数数据与S1，S2，S3中获取的道路，车道等属性数据进行结构化整理，适配到软件架构中去，分为两部分：
1.设计数据结构适配Lane Detect软件架构
设计的数据结构包括如下内容：
单独的地图道路上的中心点结构，包括：路点坐标值x，y，z，路点所在的道路road_id，路点所在的道路类型road_type，路点所在的道路宽度road_width，点，路点对应的车道线类型lane_type，路点对应的车道线颜色lane_color，路点对应的车道线宽度lane_width；
表1地图道路上的中心点结构示意表
名称 参数 数据类型 单位
路点坐标值 x，y，z 浮点数 无
道路标号 road_id 整形 无
道路类型 road_type 字符串 无
道路宽度 road_width 浮点数 m/米
车道线类型 lane_type 字符串 无
车道线颜色 lane_color 字符串 无
车道线宽度 lane_width 浮点数 m/米
车道线参数结构，包括：该车道线的输出有效性lane_validity，该车道线的长度大小section_size，该车道线参数的0次项x0，1次项x1，2次项x2，3次项x3；
表2车道线参数结构示意表
名称 参数 数据类型 单位
输出有效性 lane_validity 布尔型 无
车道线长度 section_size 浮点型 m/米
车道线参数项 x0，x1，x2，x3 浮点型 无
2.Lane Detect软件与Carla Sever端的接口设计
Lane Detect软件向Carla Sever端发送整备好的数据，数据通过接口全部转换为字符串类型，依次以数据流形式发送，如图6所示。
S5：数据发送完成，当前世界快照完成，软件运行后会不断进行世界快照，重复上述流程。
经过本实例测试，数据获取及发送的时间消耗在50微秒以内，远小于Carla的官方标定频率，如40HZ，即25毫秒。
车道线真值数据发送出去后，可以与传感器识别结果做对比，从而快速得到传感器感知算法的优化方向，也可以作为规划控制模块的绝对输入，直接参与下游路径规划算法，或接入导航系统等。
因此通过本发明具体实施例的说明可以得出，本发明实际具有如下优势：
1)提出了一种基于Carla的车道线真值数据获取方法及软件。软件在Carla底层UE架构与Server端之间部署，本方法以不依赖传感器感知，提高数据真实性，数据安全等角度出发，基于Open Drive展开运算并输出结果，数据精度比使用传感器高，且做到实时性更新，效率更高；
2)本发明提及的方法及软件在不同系统上适配性高，可移植性强，避免多端使用时的重复编译，重复设置等操作，提高了多机使用的效率；
3)本发明中提及的车道线真值计算方法不涉及感知融合或识别算法，避免引入额外的系统噪声，数据真实性及稳定性高，同时为相关感知类算法提供了对照组，为下游模块提供绝对真值；
4)本申请提及的方法相较于在Carla Client端实现，本方法在软件架构及数据传输上不对架构做更改，且不会向用户暴露核心数据，在数据存储及使用方面更加安全；
5)本方法提及的各种结构设计及流程实现在保证功能完成的情况下不增加系统的复杂度。
如图7所示，本发明提供一种车道线真值获取系统，主要包括：
获取模块，用于获取当前的地图信息以及距离自车位置最近的地图道路上的中心点；
求解模块，用于基于地图道路上的中心点在自车所在位置向前搜索道路点，基于车头朝向向量计算横向补偿距离，从而获取到车道线离散点真值信息，针对车道线离散点真值信息通过多维曲线拟合方法离散点拟合三维曲线，通过三维曲线获取到当前车道线的真值参数；
发送模块，用于发送当前车道线的真值参数。
该系统基于所述计及多互动功能时延特性的车道线真值获取方法。该系统和方法可以应用在如图2中的车道线真值获取模块架构位置。以及图3中的Lane Detect中。
如图8所示，本发明第三方面是提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述计及多互动功能时延特性的车道线真值获取方法的步骤。
本发明第四方面是提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述计及多互动功能时延特性的车道线真值获取方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种车道线真值获取方法，其特征在于，包括：
获取当前的地图信息以及距离自车位置最近的地图道路上的中心点；
基于地图道路上的中心点在自车所在位置向前搜索道路点，基于车头朝向向量计算横向补偿距离，从而获取到车道线离散点真值信息，针对车道线离散点真值信息通过多维曲线拟合方法离散点拟合三维曲线，通过三维曲线获取到当前车道线的真值参数；
发送当前车道线的真值参数。
2.根据权利要求1所述的一种车道线真值获取方法，其特征在于，所述获取当前的地图信息以及距离自车位置最近的地图道路上的中心点，包括：
在一次世界快照中，获取当前的地图Map信息以及距离自车位置最近的地图道路上的中心点，判断最近的地图道路上的中心点是否有效；
若有效，进入搜寻下一个地图道路上的中心点的循环逻辑步骤，循环逻辑步骤是：设定自适应的向前搜索距离，由近及远的向前搜索道路的地图道路上的中心点；
若无效，判断上一个世界快照中地图道路上的中心点的有效性，若有效，则按照上一世界快照结束时的数据进行复制，完成保存和输出，若无效，则将输出数据结构进行初始化，完成保存和输出，置此世界快照的数据为无效。
3.根据权利要求2所述的一种车道线真值获取方法，其特征在于，所述自适应的向前搜索距离公式为：
D＝(DOri/S)+2
其中：D为每次的自适应距离，DOri为初始向前搜索距离，S为循环次数；
由近及远的向前搜索道路的地图道路上的中心点后还包括：判断取到的下一个地图道路上的中心点的有效性；若有效，则该数据将被保存记录；若无效，该数据将舍弃。
4.根据权利要求1所述的一种车道线真值获取方法，其特征在于，所述基于地图道路上的中心点在自车所在位置向前搜索道路点，基于车头朝向向量计算横向补偿距离，包括：
获取地图道路上的中心点数据，进而求解地图道路上的中心点坐标数据，由中心点坐标数据求解坐标转换关系和求解车头朝向向量；基于车头朝向向量的得到横向车道线补偿值，基于横向车道线补偿值获取主道路边缘线点，进而获取自车左侧、左左侧、右侧、右右侧地图道路上的中心点及相关数据。
5.根据权利要求4所述的一种车道线真值获取方法，其特征在于，所述获取地图道路上的中心点数据，进而求解地图道路上的中心点坐标数据，由中心点坐标数据求解坐标转换关系和求解车头朝向向量，包括：
利用获取到的ActorID作为索引，在地图上获取到坐标向量；
根据地图的固有坐标系，以及获取到的坐标向量及自车位置，将数据转换到自车坐标系下，求解得到地图道路上的中心点坐标数据；
所述由中心点坐标数据求解坐标转换关系和求解车头朝向向量，包括：
获取自车Actor ID，从而获得当前自车的朝向向量，根据当前指定的目标，返回目标的朝向向量。
6.根据权利要求4所述的一种车道线真值获取方法，其特征在于，所述基于车头朝向向量的得到横向车道线补偿值，基于横向车道线补偿值获取主道路边缘线点，进而获取自车左侧、左左侧、右侧、右右侧地图道路上的中心点及相关数据，包括：
获取到自车朝向向量后，计算自车朝向向量的单位向量，并求取车道宽度进行对车道宽度所在方向的投影计算，投影计算公式为：
Vecabs＝[1，-1,0]TVecOri/(2*S*L)
其中，Vecabs指投影计算完后的向量，其包含分量[x,y,z]，分别对应每个轴上的补偿值；[1，-1，0]T表示三个分量的计算方向；VecOri指的是自车车头朝向向量；S为车头朝向向量在x，y轴上分量的模长,其求取公式为：S＝VecOri.x2+VecOri.y2；L指车道宽度；
采用投影计算得到横向车道线补偿值；
在地图道路上的中心点数据上向左向右延伸一次补偿值，得到对应的当前行进的主道路边缘线点，在逐步求取下一个地图道路上的中心点的迭代过程中，可以依次获取主道路边缘线的所有离散点；
基于主道路边缘线的所有离散点，分别向左侧，左左侧，右侧，右右侧搜索；
在得到主道的地图道路上的中心点坐标数据后，向负方向推移预设倍数的补偿值，获得可能存在做侧地图道路上的中心点的坐标，基于此坐标判断是否存在对应的地图道路上的中心点，如果存在，则获取到左侧道路边缘线的所有离散点，并随后计算左左侧道路；如果不存在，则返回并跳过计算左左侧道路；
右侧道路及右右侧道路采用与左侧道路相同的方法进行计算。
7.根据权利要求1所述的一种车道线真值获取方法，其特征在于，所述针对车道线离散点真值信息通过多维曲线拟合方法离散点拟合三维曲线，包括：
对车道线离散点真值信息进行拟合；当车道线存在分段情况时，对直道与弯道分段计算曲线参数；取第一段曲线末尾的多个离散点与第二段曲线首部的多个离散点，形成新的数据组，并求取这一组数据的平均曲率，用平均曲率来表征拟合曲线的斜率，实现车道线分段情况下的衔接处曲率平滑操作，得到车道线的表达式，构建三次曲线模型；
将数据点中方差分布超出正态分布3σ的点剔除，基于三次曲线模型输入数据构建最小二乘问题的拟合函数，利用矩阵系数方程求解给定的拟合函数，实现离散点拟合三维曲线。
8.根据权利要求1所述的一种车道线真值获取方法，其特征在于，所述通过三维曲线获取到当前车道线的真值参数之后，还包括：
将车道线真值参数数据与获取的地图道路上的中心点进行结构化整理，包括：
单独的地图道路上的中心点结构，包括：路点坐标值x，y，z，路点所在的道路，路点所在的道路类型，路点所在的道路宽度，点，路点对应的车道线类型，路点对应的车道线颜色，路点对应的车道线宽度；
车道线参数结构，包括：车道线的输出有效性及车道线的长度大小。
9.根据权利要求1所述的一种车道线真值获取方法，其特征在于，所述发送当前车道线的真值参数，是指发送整备好的数据，数据通转换为字符串类型，依次以数据流形式发送；
当前车道线的真值参数发送完成后，当前世界快照完成；之后不断进行世界快照，返回获取当前的地图信息以及距离自车位置最近的地图道路上的中心点的步骤；
当前车道线的真值参数与传感器识别结果做对比，能够得到传感器感知算法的优化方向；或者当前车道线的真值参数作为规划控制模块的输入，参与下游路径规划或接入导航系统。
10.一种车道线真值获取系统，其特征在于，包括：
获取模块，用于获取当前的地图信息以及距离自车位置最近的地图道路上的中心点；
求解模块，用于基于地图道路上的中心点在自车所在位置向前搜索道路点，基于车头朝向向量计算横向补偿距离，从而获取到车道线离散点真值信息，针对车道线离散点真值信息通过多维曲线拟合方法离散点拟合三维曲线，通过三维曲线获取到当前车道线的真值参数；
发送模块，用于发送当前车道线的真值参数。
CN202310487118.0A 2023-04-28 2023-04-28 一种车道线真值获取方法及系统 Pending CN116521809A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310487118.0A CN116521809A (zh) 2023-04-28 2023-04-28 一种车道线真值获取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310487118.0A CN116521809A (zh) 2023-04-28 2023-04-28 一种车道线真值获取方法及系统

Publications (1)

Publication Number Publication Date
CN116521809A true CN116521809A (zh) 2023-08-01

Family

ID=87404280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310487118.0A Pending CN116521809A (zh) 2023-04-28 2023-04-28 一种车道线真值获取方法及系统

Country Status (1)

Country Link
CN (1) CN116521809A (zh)

Similar Documents

Publication Publication Date Title
CN113039563B (zh) 学习生成用于训练神经网络的合成数据集
CN107990899A (zh) 一种基于slam的定位方法和系统
JP2018124992A (ja) 少なくとも１つの制御機器の少なくとも１つの制御機器機能をテストする方法
CN109410316B (zh) 物体的三维重建的方法、跟踪方法、相关装置及存储介质
CN108229386A (zh) 用于检测车道线的方法、装置和介质
CN111645065A (zh) 一种基于深度强化学习的机械臂运动规划方法
CN111178170B (zh) 一种手势识别方法和一种电子设备
CN109214314B (zh) 一种车道线自动融合匹配算法
CN112102342B (zh) 平面轮廓识别方法、装置、计算机设备和存储介质
CN114139637A (zh) 多智能体信息融合方法、装置、电子设备及可读存储介质
KR20180086548A (ko) 사용자 인터랙션을 위한 제스처 인식 방법 및 시스템
CN116310799A (zh) 语义信息与几何约束相结合的动态特征点剔除方法
CN116521809A (zh) 一种车道线真值获取方法及系统
CN116823929A (zh) 基于视觉图像与点云地图的跨模态匹配定位方法及系统
CN111857666B (zh) 一种3d引擎的应用方法和装置
CN113592986B (zh) 基于神经网络的动作生成方法、装置及计算设备
CN112991744B (zh) 一种适用于长距离城市道路的自动驾驶决策方法及系统
CN115661444A (zh) 图像处理方法、装置、设备、存储介质及产品
CN115248993A (zh) 一种仿真场景模型真实性检测方法、装置及存储介质
CN113284257A (zh) 一种虚拟场景内容的模块化生成展示方法及系统
CN114511590A (zh) 基于单目视觉3d车辆检测与跟踪的路口多引导线构建方法
CN114386176A (zh) 车辆通过减速带的验证方法、装置、设备和介质
CN110741327A (zh) 基于增强现实及数字图像处理的泥胶玩具系统及其方法
CN112597959A (zh) 基于人工智能和计算机视觉的火车安全监控方法和装置
CN114791936A (zh) 一种无人车可通行区域的存储、高效编辑和调用方法

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