CN116543360A - 路侧地图的构建方法、装置及电子设备 - Google Patents

路侧地图的构建方法、装置及电子设备 Download PDF

Info

Publication number
CN116543360A
CN116543360A CN202310511301.XA CN202310511301A CN116543360A CN 116543360 A CN116543360 A CN 116543360A CN 202310511301 A CN202310511301 A CN 202310511301A CN 116543360 A CN116543360 A CN 116543360A
Authority
CN
China
Prior art keywords
road
lane
road side
lane line
image
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
CN202310511301.XA
Other languages
English (en)
Inventor
张上鑫
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.)
Zhidao Network Technology Beijing Co Ltd
Original Assignee
Zhidao Network 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 Zhidao Network Technology Beijing Co Ltd filed Critical Zhidao Network Technology Beijing Co Ltd
Priority to CN202310511301.XA priority Critical patent/CN116543360A/zh
Publication of CN116543360A publication Critical patent/CN116543360A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • 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
    • G06V20/50—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种路侧地图的构建方法、装置及电子设备，该方法包括：获取路侧相机采集的当前道路图像，并利用预设图像识别模型对所述当前道路图像进行识别，得到道路标识识别结果和车辆跟踪结果；根据所述道路标识识别结果确定所述路侧相机所在路段的第一车道信息；根据所述车辆跟踪结果确定所述路侧相机所在路段的第二车道信息；根据所述路侧相机所在路段的第一车道信息和所述路侧相机所在路段的第二车道信息构建所述路侧相机所在路段的路侧地图。本申请结合基于路侧感知得到的道路标识识别结果和车辆跟踪结果确定路侧相机所在路段的车道信息，以此构建更加符合路侧使用需求的路侧地图，从而更好地辅助路侧的感知跟踪以及路径规划等。

Description

路侧地图的构建方法、装置及电子设备
技术领域
本申请涉及自动驾驶技术领域，尤其涉及一种路侧地图的构建方法、装置及电子设备。
背景技术
在自动驾驶或者辅助驾驶等场景下，高精地图对于车辆的定位和规划控制等具有十分重要的意义，目前的高精地图一般是使用搭载激光雷达、相机、RTK(Real-timekinematic，实时动态差分)设备、IMU(Inertial Measurement Unit，惯性测量单元)的采集车辆通过自身运动将周围感知的环境元素与自身定位结合生成的一个可供自动驾驶车辆使用的地图。
随着单车自动驾驶逐渐进入瓶颈期，基于车路协同的自动驾驶技术开始得到越来越多的关注，路侧设备即为车路协同系统中的重要一环，能够从路侧视角为自动驾驶车辆的定位和行驶决策等提供更多参考信息。
然而，路侧设备的感知有时也需要用到高精地图的信息，但是高精地图的数据只在少数地区或区域才有采集，很多路侧场景下并没有供路侧设备使用的高精地图。
发明内容
本申请实施例提供了一种路侧地图的构建方法、装置及电子设备，以为路侧的感知跟踪和路径规划等提供辅助。
本申请实施例采用下述技术方案：
第一方面，本申请实施例提供一种路侧地图的构建方法，其中，所述方法包括：
获取路侧相机采集的当前道路图像，并利用预设图像识别模型对所述当前道路图像进行识别，得到道路标识识别结果和车辆跟踪结果；
根据所述道路标识识别结果确定所述路侧相机所在路段的第一车道信息；
根据所述车辆跟踪结果确定所述路侧相机所在路段的第二车道信息；
根据所述路侧相机所在路段的第一车道信息和所述路侧相机所在路段的第二车道信息构建所述路侧相机所在路段的路侧地图。
可选地，所述道路标识识别结果包括车道线分割结果和车道线识别结果，所述根据所述道路标识识别结果确定所述路侧相机所在路段的第一车道信息包括：
根据所述车道线分割结果确定所述路侧相机所在路段的车道线数量以及各个车道线对应的车道线拟合方程；
根据各个车道线对应的车道线拟合方程确定各个车道线的绝对位置；
根据各个车道线的绝对位置和所述车道线识别结果确定各个车道线的车道线类型；
根据各个车道线的绝对位置和各个车道线的车道线类型确定所述路侧相机所在路段的车道数量。
可选地，所述车道线分割结果包括当前道路图像中的车道线像素点，所述根据所述车道线分割结果确定所述路侧相机所在路段的车道线数量以及各个车道线对应的车道线拟合方程包括：
对所述当前道路图像中的车道线像素点逐行进行判断，得到所述当前道路图像中的车道线数量；
基于所述当前道路图像中的车道线数量，对各个车道线对应的车道线像素点进行间隔采样，得到各个车道线对应的车道线采样点；
根据图像坐标系与世界坐标系的标定关系，将各个车道线对应的车道线采样点转换到世界坐标系下，得到各个车道线对应的车道线采样点的绝对位置；
对各个车道线对应的车道线采样点的绝对位置分别进行拟合，得到各个车道线对应的车道线拟合方程。
可选地，所述道路标识识别结果包括车道行驶方向标识识别结果，所述根据各个车道线的绝对位置和各个车道线的车道线类型确定所述路侧相机所在路段的车道数量和各个车道的车道类型包括：
根据所述路侧相机所在路段的车道数量和所述车道行驶方向标识识别结果确定各个车道的车道类型，所述车道类型包括直行车道、左转车道和右转车道中至少一种。
可选地，所述车辆跟踪结果包括车辆在多帧图像中的位置，所述根据所述车辆跟踪结果确定所述路侧相机所在路段的第二车道信息包括：
根据图像坐标系与世界坐标系的标定关系，将所述车辆在多帧图像中的位置转换到世界坐标系下，得到所述车辆对应的多帧绝对位置；
根据所述车辆对应的多帧绝对位置确定车辆所在车道以及车辆所在车道的行驶方向；
根据所述车辆所在车道的行驶方向确定所述车辆所在车道的车道类型。
可选地，所述车辆跟踪结果包括车辆在多帧图像中的位置，所述根据所述车辆跟踪结果确定所述路侧相机所在路段的第二车道信息包括：
根据图像坐标系与世界坐标系的标定关系，将所述车辆在多帧图像中的位置转换到世界坐标系下，得到所述车辆对应的多帧绝对位置；
根据所述车辆对应的多帧绝对位置确定所述车辆所在车道以及所述车辆的航向角；
将所述车辆的航向角作为所述车辆所在车道的航向角。
可选地，所述路侧相机所在路段的路侧地图为当前道路图像对应的路侧地图，在根据所述路侧相机所在路段的第一车道信息和所述路侧相机所在路段的第二车道信息构建所述路侧相机所在路段的路侧地图之后，所述方法还包括：
获取历史道路图像对应的路侧地图；
根据所述当前道路图像对应的路侧地图和所述历史道路图像对应的路侧地图，确定是否触发路侧地图更新条件；
在触发所述路侧地图更新条件的情况下，利用所述当前道路图像对应的路侧地图更新所述历史道路图像对应的路侧地图。
可选地，所述当前道路图像对应的路侧地图和所述历史道路图像对应的路侧地图中均包含路侧相机所在路段的车道线数量和车道线拟合方程，所述根据所述当前道路图像对应的路侧地图和所述历史道路图像对应的路侧地图，确定是否触发路侧地图更新条件包括：
确定所述当前道路图像对应的车道线数量与所述历史道路图像对应的车道线数量是否一致；
若一致，则确定所述当前道路图像对应的车道线拟合方程与所述历史道路图像对应的车道线拟合方程是否一致；
若一致，则确定未触发所述路侧地图更新条件；
否则，则确定触发所述路侧地图更新条件。
第二方面，本申请实施例还提供一种路侧地图的构建装置，其中，所述装置包括：
识别单元，用于获取路侧相机采集的当前道路图像，并利用预设图像识别模型对所述当前道路图像进行识别，得到道路标识识别结果和车辆跟踪结果；
第一确定单元，用于根据所述道路标识识别结果确定所述路侧相机所在路段的第一车道信息；
第二确定单元，用于根据所述车辆跟踪结果确定所述路侧相机所在路段的第二车道信息；
构建单元，用于根据所述路侧相机所在路段的第一车道信息和所述路侧相机所在路段的第二车道信息构建所述路侧相机所在路段的路侧地图。
第三方面，本申请实施例还提供一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行前述之任一所述方法。
第四方面，本申请实施例还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一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行前述之任一所述方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本申请实施例的路侧地图的构建方法，先获取路侧相机采集的当前道路图像，并利用预设图像识别模型对当前道路图像进行识别，得到道路标识识别结果和车辆跟踪结果；然后根据道路标识识别结果确定路侧相机所在路段的第一车道信息；之后根据车辆跟踪结果确定路侧相机所在路段的第二车道信息；最后根据路侧相机所在路段的第一车道信息和路侧相机所在路段的第二车道信息构建路侧相机所在路段的路侧地图。本申请实施例的路侧地图的构建方法结合基于路侧感知得到的道路标识识别结果和车辆跟踪结果确定路侧相机所在路段的车道信息，以此构建更加符合路侧使用需求的路侧地图，从而更好地辅助路侧的感知跟踪以及路径规划等。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例中一种路侧地图的构建方法的流程示意图；
图2为本申请实施例中一种路侧地图的构建装置的结构示意图；
图3为本申请实施例中一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
本申请实施例提供了一种路侧地图的构建方法，如图1所示，提供了本申请实施例中一种路侧地图的构建方法的流程示意图，所述方法至少包括如下的步骤S110至步骤S140：
步骤S110，获取路侧相机采集的当前道路图像，并利用预设图像识别模型对所述当前道路图像进行识别，得到道路标识识别结果和车辆跟踪结果。
本申请实施例在构建路侧地图时，需要先获取路侧相机采集的当前道路图像，然后利用预设图像识别模型对当前道路图像中的道路标识和车辆目标等进行识别，这里的道路标识例如可以包括道路图像中的车道线、箭头、停止线等标识。预设图像识别模型可以基于现有的车道线识别模型如LaneAF、目标检测模型如YOLO V5等得到，具体如何进行道路标识的识别和车辆目标的检测跟踪，本领域技术人员可以结合现有技术灵活确定，在此不作具体限定。
步骤S120，根据所述道路标识识别结果确定所述路侧相机所在路段的第一车道信息。
根据道路标识识别结果中包含的车道线、箭头等道路标识的位置和类型等信息，可以进一步确定出路侧相机所在路段的第一车道信息，例如可以包括当前路段的车道线位置、车道线数量、车道数量以及车道类型等。
步骤S130，根据所述车辆跟踪结果确定所述路侧相机所在路段的第二车道信息。
根据车辆跟踪结果可以确定同一车辆目标在多帧图像之间的相对运动变化，进而可以确定车辆目标在当前所在车道的行驶方向和航向角等信息，因此可以根据车辆跟踪结果进一步确定出路侧相机所在路段的第二车道信息，第二车道信息例如可以包括当前路段的车道类型、车道航向角等信息。
步骤S140，根据所述路侧相机所在路段的第一车道信息和所述路侧相机所在路段的第二车道信息构建所述路侧相机所在路段的路侧地图。
上述步骤得到的路侧相机所在路段的第一车道信息和第二车道信息基本可以满足路侧在大多数场景下的使用需求，因此基于路侧相机所在路段的第一车道信息和第二车道信息即可构建起路侧相机所在路段的路侧地图，也即路侧地图中主要包含了路侧相机拍摄视野内的所有车道信息，从而可以为后续路侧的感知跟踪和路径规划等提供支撑。
本申请实施例的路侧地图的构建方法结合基于路侧感知得到的道路标识识别结果和车辆跟踪结果确定路侧相机所在路段的车道信息，以此构建更加符合路侧使用需求的路侧地图，从而更好地辅助路侧的感知跟踪以及路径规划等。
在本申请的一些实施例中，所述道路标识识别结果包括车道线分割结果和车道线识别结果，所述根据所述道路标识识别结果确定所述路侧相机所在路段的第一车道信息包括：根据所述车道线分割结果确定所述路侧相机所在路段的车道线数量以及各个车道线对应的车道线拟合方程；根据各个车道线对应的车道线拟合方程确定各个车道线的绝对位置；根据各个车道线的绝对位置和所述车道线识别结果确定各个车道线的车道线类型；根据各个车道线的绝对位置和各个车道线的车道线类型确定所述路侧相机所在路段的车道数量。
本申请实施例的道路标识识别结果具体可以包括车道线分割结果和车道线识别结果，车道线分割结果可以基于车道线分割模型对道路图像进行车道线像素级的分类得到，具体可以包括从道路图像中分割出的车道线像素位置，进一步利用车道线识别模型对分割出的车道线进行识别，得到车道线类型的识别结果，例如可以包括白实线、虚线、黄线等车道线类型。
基于上述从道路图像中分割出的车道线像素位置可以确定出当前道路图像中包含有几条车道线，进一步可以确定出各个车道线对应的车道线拟合方程，这里的车道线拟合方程可以是世界坐标系下的拟合方程，可以基于最小二乘法拟合得到，因此基于每个车道线对应的车道线拟合方程可以进一步确定出各个车道线对应的车道线点的绝对位置。
基于各个车道线的绝对位置，进一步结合车道线识别结果中识别出的车道线类型为每一个车道线赋予车道线类型的属性信息，例如是白实线、虚线还是黄线等。
在确定了当前道路图像中的车道线数量以及每个车道线对应的车道线类型之后，还可以根据当前道路图像中的车道线数量确定当前道路图像中包含的车道数量，后续实际应用时还可结合每个车道对应的车道线类型确定每个车道的变道信息，例如虚线可变道，实线不可变道等等。
在本申请的一些实施例中，所述车道线分割结果包括当前道路图像中的车道线像素点，所述根据所述车道线分割结果确定所述路侧相机所在路段的车道线数量以及各个车道线对应的车道线拟合方程包括：对所述当前道路图像中的车道线像素点逐行进行判断，得到所述当前道路图像中的车道线数量；基于所述当前道路图像中的车道线数量，对各个车道线对应的车道线像素点进行间隔采样，得到各个车道线对应的车道线采样点；根据图像坐标系与世界坐标系的标定关系，将各个车道线对应的车道线采样点转换到世界坐标系下，得到各个车道线对应的车道线采样点的绝对位置；对各个车道线对应的车道线采样点的绝对位置分别进行拟合，得到各个车道线对应的车道线拟合方程。
本申请实施例的车道线分割结果可以包括当前道路图像中分割出的车道线像素点，对分割出的车道线像素点进行逐像素行判断，从而可以根据判断出的车道线所占的不连续像素点确定出当前道路图像中有几条车道线。
为了提高车道线拟合方程的拟合效果，可以基于确定出的车道线数量，对各个车道线对应的车道线像素点进行间隔采样，例如可以每隔几行存储每条车道线对应的图像坐标，以及每条车道线的端点坐标。基于事先标定好的图像坐标系与世界坐标系的变换关系，将上述各个车道线对应的车道线采样点的图像坐标转换到世界坐标系下，得到每个车道线对应的车道线采样点的世界坐标，最后再分别对每个车道线对应的车道线采样点的世界坐标进行拟合，从而得到每个车道线对应的世界坐标系下的车道线拟合方程。
作为一种可选的实施方式，可以使用最小二乘法拟合一元三次方程y＝ax3+bx2+cx+d，用以表示车道线的曲线方程，也就是通过一条车道线的采样点的世界坐标集合拟合出对应的方程。
根据每个车道线对应的车道线拟合方程，输入车道线端点之间的每个值即可拟合出一条在世界坐标系下的车道线，再结合之前图像识别出的车道线类型为各个车道线白赋予实线、黄线、虚线等车道线类型。
在本申请的一些实施例中，考虑到图像识别模型识别出的车道线可能会由于遮挡、环境光照等原因导致原本一条完整的车道线被误分割为两条或者多条车道线，因此本申请实施例在进行车道线拟合之前还可以先对图像中识别出的车道线的位置进行膨胀腐蚀处理，从而消除误检出的孤立像素点，并使检测出的原本属于一条车道线的两个或者多个相邻车道线区域连接起来。
在本申请的一些实施例中，所述道路标识识别结果包括车道行驶方向标识识别结果，所述根据各个车道线的绝对位置和各个车道线的车道线类型确定所述路侧相机所在路段的车道数量和各个车道的车道类型包括：根据所述路侧相机所在路段的车道数量和所述车道行驶方向标识识别结果确定各个车道的车道类型，所述车道类型包括直行车道、左转车道和右转车道中至少一种。
本申请实施例的道路标识识别结果还包括车道行驶方向标识识别结果，即对道路图像中的箭头标识进行识别，识别出左转箭头、直行箭头、右转箭头等，根据识别到的箭头方向可以确定当前车道的行驶方向并赋予在路侧地图的车道属性内，还可以在路侧地图相应位置绘制出箭头的样式。
此外，考虑到箭头标识的识别容易受到车辆遮挡或者磨损等的影响，因此本申请实施例还可以通过对多帧连续检测到的车道行驶方向标识识别结果进行融合判断各个车道对应的车道类型，以提高检测结果的准确性和可靠性。
在本申请的一些实施例中，所述车辆跟踪结果包括车辆在多帧图像中的位置，所述根据所述车辆跟踪结果确定所述路侧相机所在路段的第二车道信息包括：根据图像坐标系与世界坐标系的标定关系，将所述车辆在多帧图像中的位置转换到世界坐标系下，得到所述车辆对应的多帧绝对位置；根据所述车辆对应的多帧绝对位置确定车辆所在车道以及车辆所在车道的行驶方向；根据所述车辆所在车道的行驶方向确定所述车辆所在车道的车道类型。
考虑到某些路段内可能并不存在相应的箭头标识，因此本申请实施例还可以通过对车辆目标的检测和跟踪来确定各个车道的车道类型，例如根据车辆跟踪结果可以确定同一车辆目标在连续多帧图像中的位置，根据图像坐标系与世界坐标系的变换关系，将同一车辆目标在连续多帧图像中的位置转换到世界坐标系下，得到同一车辆目标在连续多帧图像中的绝对位置，进而可以根据同一车辆目标在连续多帧图像中的绝对位置确定出车辆所在的车道以及在该车道内的行驶方向，车辆在车道内的行驶方向即可反映该车道内的车流方向，从而可以确定出该车道是属于直行车道、左转车道还是右转车道。
需要说明的是，上述基于车辆跟踪结果确定车道类型的方式可以与前述实施例中基于箭头标识识别结果确定车道类型的方式相互补充，从而保证车道类型判断的准确性和可靠性。
在本申请的一些实施例中，所述车辆跟踪结果包括车辆在多帧图像中的位置，所述根据所述车辆跟踪结果确定所述路侧相机所在路段的第二车道信息包括：根据图像坐标系与世界坐标系的标定关系，将所述车辆在多帧图像中的位置转换到世界坐标系下，得到所述车辆对应的多帧绝对位置；根据所述车辆对应的多帧绝对位置确定所述车辆所在车道以及所述车辆的航向角；将所述车辆的航向角作为所述车辆所在车道的航向角。
基于同一车辆目标在连续多帧图像对应的绝对位置，还可以进一步计算出车辆在所在车道内的航向角，进而可以将车辆在所在车道内的航向角作为对应车道的车道航向角，从而给路侧地图中的各个车道赋予车道航向角的属性，后续车道航向角的属性信息可以用来给刚出现在该路段的车辆赋予初始航向角。
在本申请的一些实施例中，所述路侧相机所在路段的路侧地图为当前道路图像对应的路侧地图，在根据所述路侧相机所在路段的第一车道信息和所述路侧相机所在路段的第二车道信息构建所述路侧相机所在路段的路侧地图之后，所述方法还包括：获取历史道路图像对应的路侧地图；根据所述当前道路图像对应的路侧地图和所述历史道路图像对应的路侧地图，确定是否触发路侧地图更新条件；在触发所述路侧地图更新条件的情况下，利用所述当前道路图像对应的路侧地图更新所述历史道路图像对应的路侧地图。
虽然路侧相机在固定安装之后，对应的拍摄区域也随之确定，但经过长时间使用或者受到天气情况的影响，路侧相机的拍摄视野也会发生改变，且路侧相机对应路段内的道路环境也可能会发生改变，因此针对每个路侧相机所在路段构建的路侧地图也需要被及时更新，以适应上述变化。
基于此，本申请实施例在构建得到当前道路图像对应的路侧地图之后，可以将当前道路图像对应的路侧地图中的地图信息与历史道路图像对应的路侧地图中的地图信息进行比较，从而判断当前的地图信息是否发生明显变化，进而确定是否需要更新路侧地图。
在本申请的一些实施例中，所述当前道路图像对应的路侧地图和所述历史道路图像对应的路侧地图中均包含路侧相机所在路段的车道线数量和车道线拟合方程，所述根据所述当前道路图像对应的路侧地图和所述历史道路图像对应的路侧地图，确定是否触发路侧地图更新条件包括：确定所述当前道路图像对应的车道线数量与所述历史道路图像对应的车道线数量是否一致；若一致，则确定所述当前道路图像对应的车道线拟合方程与所述历史道路图像对应的车道线拟合方程是否一致；若一致，则确定未触发所述路侧地图更新条件；否则，则确定触发所述路侧地图更新条件。
在判断是否需要更新路侧地图时，可以基于路侧地图中的车道线数量和车道线拟合方程等信息来判断，例如可以先将当前道路图像对应的车道线数量M与历史道路图像对应的车道线数量N进行比较，如果M≠N，说明车道线数量发生变化，需要根据当前道路图像对应的路侧地图更新历史地图数据，当然为了保证判断准确性，可以持续多次判断，如果多次判断结果均为M≠N，则判断车道线数量已变更，启动地图更新替换，利用当前道路图像对应的建图结果覆盖历史地图数据。
如果M＝N，说明车道线数量没有发生变化，此时可以进一步判断对应的车道线拟合方程是否发生变化，由于车道线数量一致，所以按照在图像中从左往右的索引顺序与历史的每条车道线拟合方程建立关联，判断当前道路图像中的各个车道线拟合方程与历史的车道线拟合方程是否相近。
例如，可以在当前道路图像中检测出的每条车道线上取一个或多个点，将该点通过当前标定关系转换到世界坐标系下，得到该点的绝对位置(X,Y,Z)，Z作为高度可以忽略，分别将X输入到当前道路图像对应的车道线拟合方程和历史的车道线拟合方程中得到各自的Y值，然后判断两个Y值之间的差异大小，如果差异大于一定阈值则认为该车道线拟合方程变化过大，可以启动地图更新替换，利用当前道路图像对应的建图结果覆盖历史地图数据，以此方式分别判断所有的车道线拟合方程是否发生变化。
在本申请的一些实施例中，由于一个路杆上可能会部署有多个路侧相机，多个路侧相机之间可能会存在重叠拍摄区域，因此可以对存在重叠拍摄区域的多个路侧相机对应的路侧地图进行融合处理，从而进一步提高路侧地图构建的精度。
本申请实施例还提供了一种路侧地图的构建装置200，如图2所示，提供了本申请实施例中一种路侧地图的构建装置的结构示意图，所述装置200包括：识别单元210、第一确定单元220、第二确定单元230以及构建单元240，其中：
识别单元210，用于获取路侧相机采集的当前道路图像，并利用预设图像识别模型对所述当前道路图像进行识别，得到道路标识识别结果和车辆跟踪结果；
第一确定单元220，用于根据所述道路标识识别结果确定所述路侧相机所在路段的第一车道信息；
第二确定单元230，用于根据所述车辆跟踪结果确定所述路侧相机所在路段的第二车道信息；
构建单元240，用于根据所述路侧相机所在路段的第一车道信息和所述路侧相机所在路段的第二车道信息构建所述路侧相机所在路段的路侧地图。
在本申请的一些实施例中，所述道路标识识别结果包括车道线分割结果和车道线识别结果，所述第一确定单元220具体用于：根据所述车道线分割结果确定所述路侧相机所在路段的车道线数量以及各个车道线对应的车道线拟合方程；根据各个车道线对应的车道线拟合方程确定各个车道线的绝对位置；根据各个车道线的绝对位置和所述车道线识别结果确定各个车道线的车道线类型；根据各个车道线的绝对位置和各个车道线的车道线类型确定所述路侧相机所在路段的车道数量。
在本申请的一些实施例中，所述车道线分割结果包括当前道路图像中的车道线像素点，所述第一确定单元220具体用于：对所述当前道路图像中的车道线像素点逐行进行判断，得到所述当前道路图像中的车道线数量；基于所述当前道路图像中的车道线数量，对各个车道线对应的车道线像素点进行间隔采样，得到各个车道线对应的车道线采样点；根据图像坐标系与世界坐标系的标定关系，将各个车道线对应的车道线采样点转换到世界坐标系下，得到各个车道线对应的车道线采样点的绝对位置；对各个车道线对应的车道线采样点的绝对位置分别进行拟合，得到各个车道线对应的车道线拟合方程。
在本申请的一些实施例中，所述道路标识识别结果包括车道行驶方向标识识别结果，所述第一确定单元220具体用于：根据所述路侧相机所在路段的车道数量和所述车道行驶方向标识识别结果确定各个车道的车道类型，所述车道类型包括直行车道、左转车道和右转车道中至少一种。
在本申请的一些实施例中，所述车辆跟踪结果包括车辆在多帧图像中的位置，所述第二确定单元230具体用于：根据图像坐标系与世界坐标系的标定关系，将所述车辆在多帧图像中的位置转换到世界坐标系下，得到所述车辆对应的多帧绝对位置；根据所述车辆对应的多帧绝对位置确定车辆所在车道以及车辆所在车道的行驶方向；根据所述车辆所在车道的行驶方向确定所述车辆所在车道的车道类型。
在本申请的一些实施例中，所述车辆跟踪结果包括车辆在多帧图像中的位置，所述第二确定单元230具体用于：根据图像坐标系与世界坐标系的标定关系，将所述车辆在多帧图像中的位置转换到世界坐标系下，得到所述车辆对应的多帧绝对位置；根据所述车辆对应的多帧绝对位置确定所述车辆所在车道以及所述车辆的航向角；将所述车辆的航向角作为所述车辆所在车道的航向角。
在本申请的一些实施例中，所述路侧相机所在路段的路侧地图为当前道路图像对应的路侧地图，所述装置200还包括：获取单元，用于在根据所述路侧相机所在路段的第一车道信息和所述路侧相机所在路段的第二车道信息构建所述路侧相机所在路段的路侧地图之后，获取历史道路图像对应的路侧地图；第三确定单元，用于根据所述当前道路图像对应的路侧地图和所述历史道路图像对应的路侧地图，确定是否触发路侧地图更新条件；更新单元，用于在触发所述路侧地图更新条件的情况下，利用所述当前道路图像对应的路侧地图更新所述历史道路图像对应的路侧地图。
在本申请的一些实施例中，所述当前道路图像对应的路侧地图和所述历史道路图像对应的路侧地图中均包含路侧相机所在路段的车道线数量和车道线拟合方程，所述第三确定单元具体用于：确定所述当前道路图像对应的车道线数量与所述历史道路图像对应的车道线数量是否一致；若一致，则确定所述当前道路图像对应的车道线拟合方程与所述历史道路图像对应的车道线拟合方程是否一致；若一致，则确定未触发所述路侧地图更新条件；否则，则确定触发所述路侧地图更新条件。
能够理解，上述路侧地图的构建装置，能够实现前述实施例中提供的路侧地图的构建方法的各个步骤，关于路侧地图的构建方法的相关阐释均适用于路侧地图的构建装置，此处不再赘述。
图3是本申请的一个实施例电子设备的结构示意图。请参考图3，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成路侧地图的构建装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
获取路侧相机采集的当前道路图像，并利用预设图像识别模型对所述当前道路图像进行识别，得到道路标识识别结果和车辆跟踪结果；
根据所述道路标识识别结果确定所述路侧相机所在路段的第一车道信息；
根据所述车辆跟踪结果确定所述路侧相机所在路段的第二车道信息；
根据所述路侧相机所在路段的第一车道信息和所述路侧相机所在路段的第二车道信息构建所述路侧相机所在路段的路侧地图。
上述如本申请图1所示实施例揭示的路侧地图的构建装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中路侧地图的构建装置执行的方法，并实现路侧地图的构建装置在图1所示实施例的功能，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1所示实施例中路侧地图的构建装置执行的方法，并具体用于执行：
获取路侧相机采集的当前道路图像，并利用预设图像识别模型对所述当前道路图像进行识别，得到道路标识识别结果和车辆跟踪结果；
根据所述道路标识识别结果确定所述路侧相机所在路段的第一车道信息；
根据所述车辆跟踪结果确定所述路侧相机所在路段的第二车道信息；
根据所述路侧相机所在路段的第一车道信息和所述路侧相机所在路段的第二车道信息构建所述路侧相机所在路段的路侧地图。
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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种路侧地图的构建方法，其中，所述方法包括：
获取路侧相机采集的当前道路图像，并利用预设图像识别模型对所述当前道路图像进行识别，得到道路标识识别结果和车辆跟踪结果；
根据所述道路标识识别结果确定所述路侧相机所在路段的第一车道信息；
根据所述车辆跟踪结果确定所述路侧相机所在路段的第二车道信息；
根据所述路侧相机所在路段的第一车道信息和所述路侧相机所在路段的第二车道信息构建所述路侧相机所在路段的路侧地图。
2.如权利要求1所述方法，其中，所述道路标识识别结果包括车道线分割结果和车道线识别结果，所述根据所述道路标识识别结果确定所述路侧相机所在路段的第一车道信息包括：
根据所述车道线分割结果确定所述路侧相机所在路段的车道线数量以及各个车道线对应的车道线拟合方程；
根据各个车道线对应的车道线拟合方程确定各个车道线的绝对位置；
根据各个车道线的绝对位置和所述车道线识别结果确定各个车道线的车道线类型；
根据各个车道线的绝对位置和各个车道线的车道线类型确定所述路侧相机所在路段的车道数量。
3.如权利要求2所述方法，其中，所述车道线分割结果包括当前道路图像中的车道线像素点，所述根据所述车道线分割结果确定所述路侧相机所在路段的车道线数量以及各个车道线对应的车道线拟合方程包括：
对所述当前道路图像中的车道线像素点逐行进行判断，得到所述当前道路图像中的车道线数量；
基于所述当前道路图像中的车道线数量，对各个车道线对应的车道线像素点进行间隔采样，得到各个车道线对应的车道线采样点；
根据图像坐标系与世界坐标系的标定关系，将各个车道线对应的车道线采样点转换到世界坐标系下，得到各个车道线对应的车道线采样点的绝对位置；
对各个车道线对应的车道线采样点的绝对位置分别进行拟合，得到各个车道线对应的车道线拟合方程。
4.如权利要求2所述方法，其中，所述道路标识识别结果包括车道行驶方向标识识别结果，所述根据各个车道线的绝对位置和各个车道线的车道线类型确定所述路侧相机所在路段的车道数量和各个车道的车道类型包括：
根据所述路侧相机所在路段的车道数量和所述车道行驶方向标识识别结果确定各个车道的车道类型，所述车道类型包括直行车道、左转车道和右转车道中至少一种。
5.如权利要求1所述方法，其中，所述车辆跟踪结果包括车辆在多帧图像中的位置，所述根据所述车辆跟踪结果确定所述路侧相机所在路段的第二车道信息包括：
根据图像坐标系与世界坐标系的标定关系，将所述车辆在多帧图像中的位置转换到世界坐标系下，得到所述车辆对应的多帧绝对位置；
根据所述车辆对应的多帧绝对位置确定车辆所在车道以及车辆所在车道的行驶方向；
根据所述车辆所在车道的行驶方向确定所述车辆所在车道的车道类型。
6.如权利要求1所述方法，其中，所述车辆跟踪结果包括车辆在多帧图像中的位置，所述根据所述车辆跟踪结果确定所述路侧相机所在路段的第二车道信息包括：
根据图像坐标系与世界坐标系的标定关系，将所述车辆在多帧图像中的位置转换到世界坐标系下，得到所述车辆对应的多帧绝对位置；
根据所述车辆对应的多帧绝对位置确定所述车辆所在车道以及所述车辆的航向角；
将所述车辆的航向角作为所述车辆所在车道的航向角。
7.如权利要求1所述方法，其中，所述路侧相机所在路段的路侧地图为当前道路图像对应的路侧地图，在根据所述路侧相机所在路段的第一车道信息和所述路侧相机所在路段的第二车道信息构建所述路侧相机所在路段的路侧地图之后，所述方法还包括：
获取历史道路图像对应的路侧地图；
根据所述当前道路图像对应的路侧地图和所述历史道路图像对应的路侧地图，确定是否触发路侧地图更新条件；
在触发所述路侧地图更新条件的情况下，利用所述当前道路图像对应的路侧地图更新所述历史道路图像对应的路侧地图。
8.如权利要求7所述方法，其中，所述当前道路图像对应的路侧地图和所述历史道路图像对应的路侧地图中均包含路侧相机所在路段的车道线数量和车道线拟合方程，所述根据所述当前道路图像对应的路侧地图和所述历史道路图像对应的路侧地图，确定是否触发路侧地图更新条件包括：
确定所述当前道路图像对应的车道线数量与所述历史道路图像对应的车道线数量是否一致；
若一致，则确定所述当前道路图像对应的车道线拟合方程与所述历史道路图像对应的车道线拟合方程是否一致；
若一致，则确定未触发所述路侧地图更新条件；
否则，则确定触发所述路侧地图更新条件。
9.一种路侧地图的构建装置，其中，所述装置包括：
识别单元，用于获取路侧相机采集的当前道路图像，并利用预设图像识别模型对所述当前道路图像进行识别，得到道路标识识别结果和车辆跟踪结果；
第一确定单元，用于根据所述道路标识识别结果确定所述路侧相机所在路段的第一车道信息；
第二确定单元，用于根据所述车辆跟踪结果确定所述路侧相机所在路段的第二车道信息；
构建单元，用于根据所述路侧相机所在路段的第一车道信息和所述路侧相机所在路段的第二车道信息构建所述路侧相机所在路段的路侧地图。
10.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1～8之任一所述方法。
CN202310511301.XA 2023-05-08 2023-05-08 路侧地图的构建方法、装置及电子设备 Pending CN116543360A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310511301.XA CN116543360A (zh) 2023-05-08 2023-05-08 路侧地图的构建方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310511301.XA CN116543360A (zh) 2023-05-08 2023-05-08 路侧地图的构建方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN116543360A true CN116543360A (zh) 2023-08-04

Family

ID=87448391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310511301.XA Pending CN116543360A (zh) 2023-05-08 2023-05-08 路侧地图的构建方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN116543360A (zh)

Similar Documents

Publication Publication Date Title
US20200269874A1 (en) Track prediction method and device for obstacle at junction
CN112069856A (zh) 地图生成方法、驾驶控制方法、装置、电子设备及系统
CN110530372B (zh) 定位方法、路径确定方法、装置、机器人及存储介质
JP2019099138A (ja) 車線維持補助方法及び装置
CN111091037A (zh) 用于确定驾驶信息的方法和设备
CN111178215A (zh) 一种传感器数据融合处理的方法和装置
CN115292435B (zh) 高精地图的更新方法和装置、电子设备和存储介质
CN115962774A (zh) 点云地图更新方法、装置及电子设备、存储介质
CN111323038B (zh) 隧道内无人驾驶车辆的定位方法、系统和电子设备
CN114663852A (zh) 车道线图的构建方法、装置、电子设备及可读存储介质
CN114639085A (zh) 交通信号灯识别方法、装置、计算机设备和存储介质
CN113609148A (zh) 一种地图更新的方法和装置
CN114547222A (zh) 语义地图构建方法、装置及电子设备
CN115143952A (zh) 基于视觉辅助的自动驾驶车辆定位方法、装置
CN116564133A (zh) 潮汐车道的车辆预警方法、装置及电子设备
CN114754778A (zh) 一种车辆定位方法以及装置、电子设备、存储介质
CN113804214A (zh) 车辆定位方法、装置及电子设备、计算机可读存储介质
US20210048819A1 (en) Apparatus and method for determining junction
CN112287842A (zh) 一种车道线的识别方法、装置及电子设备
CN111126154A (zh) 路面元素的识别方法、装置、无人驾驶设备和存储介质
CN116546424A (zh) 激光建图方法及其装置、激光定位方法及其装置
CN116164763A (zh) 目标航向角确定方法、装置及电子设备、存储介质
CN116543360A (zh) 路侧地图的构建方法、装置及电子设备
CN115112125A (zh) 自动驾驶车辆的定位方法、装置及电子设备、存储介质
CN114910083A (zh) 定位方法以及定位装置、电子设备、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