CN117053818A - 在驾驶过程中定位车辆所在路口的方法、装置及电子设备 - Google Patents
在驾驶过程中定位车辆所在路口的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117053818A CN117053818A CN202311119276.7A CN202311119276A CN117053818A CN 117053818 A CN117053818 A CN 117053818A CN 202311119276 A CN202311119276 A CN 202311119276A CN 117053818 A CN117053818 A CN 117053818A
- Authority
- CN
- China
- Prior art keywords
- intersection
- line
- road
- lane
- center point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000008569 process Effects 0.000 title abstract description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000008447 perception Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000009191 jumping Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- G01C21/26—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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本公开实施例公开了一种在驾驶过程中定位车辆所在路口的方法、装置、计算机可读存储介质及电子设备,其中,该方法包括:基于高精地图中的道路数据,确定车辆当前行驶路段的至少两个车道线子集;确定至少两个车道线子集各自对应的道路趋势线,得到道路趋势线集合;基于道路趋势线集合,确定当前行驶路段的至少一个路口中心点,并确定每个路口中心点对应的道路趋势线子集;基于至少一个路口中心点中的每个路口中心点与对应的道路趋势线子集的位置关系,确定至少两条路口边界线;基于至少一个路口中心点和至少两条路口边界线,确定路口属性信息。本公开实施例能够利用高精地图中的车道线准确识别路口的属性信息,提高生成路口属性信息的稳定性。
Description
技术领域
本公开涉及计算机技术领域,尤其是一种在驾驶过程中定位车辆所在路口的方法、装置、计算机可读存储介质及电子设备。
背景技术
在自动驾驶中,正确识别车辆附近的交通环境对行车规划与行车安全至关重要。通常可以使用高精地图获取车辆所在位置附近的信息。虽然高精地图拥有高精度定位信息以及丰富完善的各类要素信息,但是快速变化的城市道路环境下,存在信息更新频率低且更新成本高的问题。
使用感知识别的方法可以对高精地图进行补充甚至替换,可以获取最新的道路环境信息,并降低更新成本。车辆实时感知周围的环境,并结合高精地图的信息,可以识别出现实世界中各种物理要素(例如车道线、人行横道、停止线等),之后还需要在此基础上构建逻辑要素(例如车道、路口等),进而指导车辆行驶。
相较于行车道的识别,路口识别的难度更大。路口识别的内容包括路口类型、路口范围以及路口所含车道等。此外,城市道路复杂多变,感知的结果可能存在各种偏差,因此需要提高路况识别的精确性。
发明内容
为了解决上述技术问题,本公开的实施例提供了一种在驾驶过程中定位车辆所在路口的方法、装置、计算机可读存储介质及电子设备,实现通过车道线识别提高确定路口属性信息的精确性。
本公开的实施例提供了一种在驾驶过程中定位车辆所在路口的方法,该方法包括:基于高精地图中的道路数据,确定车辆当前行驶路段的至少两个车道线子集;确定至少两个车道线子集各自对应的道路趋势线,得到道路趋势线集合;基于道路趋势线集合,确定当前行驶路段的至少一个路口中心点,并确定每个路口中心点对应的道路趋势线子集;基于至少一个路口中心点中的每个路口中心点与对应的道路趋势线子集的位置关系,确定当前行驶路段的至少两条路口边界线;基于至少一个路口中心点和至少两条路口边界线,确定当前行驶路段的路口属性信息。
根据本公开实施例的另一个方面,提供了一种在驾驶过程中定位车辆所在路口的装置,该装置包括:第一确定模块,用于基于高精地图中的道路数据,确定车辆当前行驶路段的至少两个车道线子集;第二确定模块,用于确定至少两个车道线子集各自对应的道路趋势线,得到道路趋势线集合;第三确定模块,用于基于道路趋势线集合,确定当前行驶路段的至少一个路口中心点,并确定每个路口中心点对应的道路趋势线子集;第四确定模块,用于基于至少一个路口中心点中的每个路口中心点与对应的道路趋势线子集的位置关系,确定当前行驶路段的至少两条路口边界线;第五确定模块,用于基于至少一个路口中心点和至少两条路口边界线,确定当前行驶路段的路口属性信息。
根据本公开实施例的另一个方面,提供了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,所述计算机程序用于被处理器执行以实现执行上述在驾驶过程中定位车辆所在路口的方法。
根据本公开实施例的另一个方面,提供了一种电子设备,所述电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述在驾驶过程中定位车辆所在路口的方法。
根据本公开实施例的另一个方面,提供了一种计算机程序产品,计算机程序产品包括计算机程序指令,当计算机程序指令由指令处理器执行时,执行本公开提出的在驾驶过程中定位车辆所在路口的方法。
基于本公开上述实施例提供的在驾驶过程中定位车辆所在路口的方法、装置、计算机可读存储介质及电子设备,通过从高精地图中提取车道线并划分为至少两个车道线子集,然后确定车道线的趋势线,基于趋势线确定路况中心点,进而确定路口边界线,最后根据路口边界线确定路口属性信息,从而实现了车辆行驶过程中,基于高精地图中的车道线的特征,准确识别路口的属性,在利用传感器进行道路感知存在偏差的情况下,能够有效利用高精地图中的车道线准确预测路口的位置,识别路口属性信息,降低输出的路口属性信息发生跳变的可能性,提高生成路口属性信息的稳定性。
下面通过附图和实施例,对本公开的技术方案做进一步的详细描述。
附图说明
通过结合附图对本公开实施例进行更详细的描述,本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解,并且构成说明书的一部分,与本公开实施例一起用于解释本公开,并不构成对本公开的限制。在附图中,相同的参考标号通常代表相同部件或步骤;
图1是本公开所适用的系统图;
图2是本公开一示例性实施例提供的在驾驶过程中定位车辆所在路口的方法的流程示意图;
图3是本公开另一示例性实施例提供的在驾驶过程中定位车辆所在路口的方法的流程示意图;
图4A是本公开一示例性实施例提供的车道线集合聚类前的状态的示意图;
图4B是本公开一示例性实施例提供的车道线集合聚类后的状态的示意图;
图4C是本公开一示例性实施例提供的道路趋势线的示意图;
图5是本公开另一示例性实施例提供的在驾驶过程中定位车辆所在路口的方法的流程示意图;
图6是本公开另一示例性实施例提供的在驾驶过程中定位车辆所在路口的方法的流程示意图;
图7是本公开一示例性实施例提供的确定趋势线交点的示意图;
图8是本公开另一示例性实施例提供的在驾驶过程中定位车辆所在路口的方法的流程示意图;
图9A是本公开一示例性实施例提供的对趋势线进行打断的示意图;
图9B是本公开一示例性实施例提供的对趋势线进行打断的另一示意图;
图10是本公开另一示例性实施例提供的在驾驶过程中定位车辆所在路口的方法的流程示意图;
图11是本公开一示例性实施例提供的生成路口边界线的示意图;
图12A是本公开一示例性实施例提供的确定路口边界端点子集的示意图;
图12B是本公开一示例性实施例提供的确定路口边界端点子集的另一示意图;
图12C是本公开一示例性实施例提供的确定路口边界端点子集的另一示意图;
图13是本公开另一示例性实施例提供的在驾驶过程中定位车辆所在路口的方法的流程示意图;
图14是本公开一示例性实施例提供的在驾驶过程中定位车辆所在路口的装置的结构示意图;
图15是本公开另一示例性实施例提供的在驾驶过程中定位车辆所在路口的装置的结构示意图;
图16是本公开一示例性实施例提供的电子设备的结构图。
具体实施方式
为了解释本公开,下面将参考附图详细地描述本公开的示例实施例,显然,所描述的实施例仅是本公开的一部分实施例,而不是全部实施例,应理解,本公开不受示例性实施例的限制。
应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
申请概述
目前常用的路口识别方法,主要是识别人行横道和车辆停止线来确定路口场景。例如通过识别人行横道、停止线的个数以及相互之间的角度来识别路口类型,以及根据人行横道、停止线的位置确定一个矩形区域作为路口范围。
但人行横道和停止线并不只是路口独有的要素,在非路口的车道中可能也会存在人行横道和停止线,而且有些路口可能并不存在人行横道与停止线,感知结果的不准确性会导致无法很好地区分这些情况。
通过人行横道与停止线计算得到的矩形区域与实际的路口范围并不能很好重合,尤其是一些非矩形的路口,识别的路口范围准确性较低。此外,识别到的矩形区域可能因为人行横道和停止线的细微变化而发生跳变,无法形成连贯稳定的结果。
本公开实施例旨在解决上述问题,通过在车辆行驶过程中,基于高精地图中的车道线的特征,准确识别路口的属性,在利用传感器进行道路感知存在偏差的情况下,能够有效利用高精地图中的车道线准确预测路口的位置,识别路口的范围、类型等信息,降低输出的路口属性信息发生跳变的可能性,提高生成路口属性信息的稳定性。
示例性系统
图1示出了可以应用本公开实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101,网络102、服务器103和车辆104。其中,终端设备可以设置在车辆104上。网络102用于在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101通过网络102与服务器103交互,以接收或发送消息等。终端设备101上可以安装有各种应用,例如地图类应用、导航类应用等。
终端设备101可以是各种电子设备,包括但不限于诸如车载终端、移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)等等。终端设备101通常设置在车辆104上。
车辆104上设置有各类传感器,例如激光雷达、相机等,传感器可以采集车辆104周围的信息,利用这些信息可以实现对车辆104周围环境的感知。
服务器103可以为车辆104提供各种服务,例如,服务器103基于车辆104当前的定位信息,从高精地图获取道路数据,基于道路数据对车辆104当前所在的路口的属性进行识别。
需要说明的是,本公开的实施例所提供的在驾驶过程中定位车辆所在路口的方法可以由服务器103执行,也可以由终端设备101执行,相应地,定位车辆所在路口的装置可以设置于服务器103中,也可以设置于终端设备101中。
应该理解,图1中的终端设备101、网络102、服务器103和车辆104的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备101、网络102、服务器103、车辆104。在高精地图中的道路数据不需要从远程获取的情况下,上述系统架构可以不包括网络和服务器,只包括车辆104和终端设备101。
示例性方法
图2是本公开一示例性实施例提供的在驾驶过程中定位车辆所在路口的方法的流程示意图。本实施例可应用在电子设备(如图1所示的终端设备101或服务器103)上,如图2所示,该方法包括如下步骤:
步骤201,基于高精地图中的道路数据,确定车辆当前行驶路段的至少两个车道线子集。
其中,高精地图可以设置在电子设备本地,也可以设置在远程;设置在远程时,电子设备可以通过网络获取高精地图中的道路数据。通常,电子设备可以实时对车辆进行定位,根据车辆当前的位置,从高精地图中确定车辆的当前行驶路段,当前行驶路段对应于高精地图中的多条车道线。
可选的,电子设备可以对上述多条车道线进行划分,将属于同一道路的车道线划分为一个车道线子集。或者,高精地图中可以预先存储有每条道路对应的车道线子集,电子设备可以从高精地图直接获取当前行驶路段对应的至少两个车道线子集。
步骤202,确定至少两个车道线子集各自对应的道路趋势线,得到道路趋势线集合。
道路趋势线用于表示道路的位置和延时方向。作为示例,可以根据一个趋势线子集包括的趋势线的坐标,确定一条中心线(图4C所示的虚线段e、f、g、h),该条中心线上的每个点距离该趋势线子集中最外侧的两条车道线的距离相等,该条中心线作为道路趋势线。
步骤203,基于道路趋势线集合,确定当前行驶路段的至少一个路口中心点,并确定每个路口中心点对应的道路趋势线子集。
其中,路口中心点用于表示一个路口的中心位置。可选的,可以将道路趋势线之间的交点确定为路口中心点。路口中心点对应的道路趋势线子集包括的道路趋势线,表示与该路口中心点表示的路口连接的道路。可选的,路口中心点对应的道路趋势线子集可以是与路口中心点的距离处于预设距离内的道路趋势线构成的子集。
步骤204,基于至少一个路口中心点中的每个路口中心点与对应的道路趋势线子集的位置关系,确定当前行驶路段的至少两条路口边界线。
具体地,由于路口中心点表示路口的中心位置,道路趋势线子集表示与该路口连接的道路,因此,可以根据道路趋势线的端点,确定路口与道路的连接位置,进而确定一条路口边界线,用于表示该连接位置。作为示例,道路趋势线子集中的每条道路趋势线距路口中心点最近的端点为第一端点,过第一端点做一条与道路趋势线垂直,长度为道路宽度的线段,依次连接所做的各条线段的端点,构成的封闭区域的每条边线即路口边界线。
步骤205,基于至少一个路口中心点和至少两条路口边界线,确定当前行驶路段的路口属性信息。
路口属性信息可以包括路口范围信息、路口类型信息等。作为示例,可以根据每个路口中心点对应的至少两条路口边界线,确定一个封闭区域,根据该封闭区域,可以生成路口范围信息。还可以根据每个路口中心点对应的道路趋势线子集中的各条道路趋势线之间的夹角,确定表示路口类型(例如十字路口、丁字路口等)的路口类型信息。
本公开的上述实施例提供的方法,通过从高精地图中提取车道线并划分为至少两个车道线子集,然后确定车道线的趋势线,基于趋势线确定路况中心点,进而确定路口边界线,最后根据路口边界线确定路口属性信息,从而实现了车辆行驶过程中,基于高精地图中的车道线的特征,准确识别路口的属性,在利用传感器进行道路感知存在偏差的情况下,能够有效利用高精地图中的车道线准确预测路口的位置,识别路口属性信息,降低输出的路口属性信息发生跳变的可能性,提高生成路口属性信息的稳定性。
在一些可选的实现方式中,如图3所示,步骤201包括:
步骤2011,从高精地图中的道路数据中,提取车辆当前行驶路段对应的车道线集合。
具体地,可以根据车辆当前的位置,确定一定范围内的车道线的集合作为上述车道线集合。例如,可以将车辆行驶的前方预设长度及宽度范围内的车道线的集合确定为上述车道线集合。
步骤2012,对车道线集合进行聚类,得到车辆当前行驶路段的至少两个车道线子集。
可选的,可以根据各条车道线与基准线之间的角度进行聚类,还可以根据车道线之间的距离进行聚类,得到至少两个车道线子集。如图4A所示,其示出了对车道线集合聚类前的状态。如图4B所示,其示出了对车道线集合聚类后的状态,图4B中的矩形框内的车道线即构成一个车道线子集。
本实施例通过实时提取车辆当前行驶路段对应的车道线集合并对车道线集合进行聚类,可以准确识别表示车辆周围的道路的车道线,从而有助于实现实时且准确地识别车辆附近的路口。
在一些可选的实现方式中,步骤2012可以包括如下子步骤:
步骤一,基于车道线集合中的每条车道线与基准线之间的角度,对车道线集合进行聚类,得到至少一个初始车道线子集。
其中,基准线可以是以高精地图中的某个方向为基准的直线,例如东西方向的直线为基准线。车道线的角度范围为[0°,180°],对车道线进行聚类的算法可以为任意聚类算法,例如DBSCAN聚类算法。
步骤二,对至少一个初始车道线子集中的每个初始车道线子集,按照车道线之间的距离进行聚类,得到至少两个车道线子集。
其中,车道线之间的距离可以通过各种方式确定。例如,对于两条车道线,可以将该两条车道线首尾端点分别到相对的车道线的距离的最小值作为两条车道线的距离。基于距离进行聚类的算法可以为任意聚类算法,例如与上述基于角度的算法相同。
本实施例通过对车道线集合按照角度和距离进行聚类,可以高效且准确地得到表示一条道路的车道线子集,有助于提高路口识别的效率和精度。
在一些可选的实现方式中,如图5所示,步骤202包括:
步骤2021,对于至少两个车道线子集中的每个车道线子集,确定该车道线子集的宽度线段。
宽度线段的位置和确定方法可以包括多种。例如,可以将车道线子集中的最外侧两条车道线的端点的连线作为宽度线段。或者,可以确定车道线子集中的车道线的平均角度,根据平均角度做一条第一直线,再做一条与该直线垂直且经过其中一条车道线(例如最外侧的车道线)的端点的第二直线;然后将该车道线子集中的每条车道线的端点投影到第二直线上,选取相距最远的两个投影点作为端点,连接两个端点构成的线段即宽度线段。如图4C所示,线段a、b、c、d均为宽度线段。
步骤2022,根据该车道线子集中的车道线的角度,确定过宽度线段的中点的直线。
车道线子集中的车道线的角度可以是各条车道线的平均角度,也可以是其他方式确定的角度,例如某一条车道线的角度。
步骤2023,基于该车道线子集中的车道线的端点,从直线截取表示该车道线子集对应的道路的长度和延伸方向的线段作为该车道线子集对应的道路趋势线。
继续上述示例,可以将该车道线子集中的各条车道线的端点均投影到步骤2022得到的直线上,从投影点中选择相距最远的两个点道路趋势线的端点,这两个端点之间的连线即道路趋势线。如图4C所示,虚线段e、f、g、h为连接路口的四条道路的道路趋势线。
本实施例通过确定车道线子集的宽度线段和车道线的角度,从而可以得到准确表示道路的长度和延伸方向的道路趋势线,后续根据道路趋势线可以准确确定路口中心点的位置,提高路口识别的准确性。
在一些可选的实现方式中,如图6所示,步骤203包括:
步骤2031,将道路趋势线集合中的道路趋势线分别延长预设长度,得到延长线集合。
通常,可以将道路趋势线的两端均延长预设长度。
步骤2032,确定延长线集合中的延长线两两之间的交点,得到趋势线交点集合。
步骤2033,基于趋势线交点集合中的趋势线交点两两之间的距离,对趋势线交点集合进行聚类,得到至少一个交点子集。
其中,对交点进行聚类的算法可以为任意算法,例如上述DBSCAN算法。一个交点子集即可对应一个实际路口。
步骤2034,基于至少一个交点子集中的交点子集各自包括的交点的坐标,确定至少一个交点子集中的交点子集分别对应的路口中心点。
可选的,对于一个交点子集,可以取该交点子集中的各交点坐标的平均值作为路口中心点的坐标。或者,可以取交点子集包括的各点构成的区域的几何中心点作为路口中心点。
本实施例通过确定道路趋势线的交点集合,并对交点集合进行聚类,可以准确地确定表示实际路口的路口中心点,从而有助于在路口中心点的基础上提高路口识别的准确性。
在一些可选的实现方式中,步骤2032可以包括如下子步骤:
步骤一,对于延长线集合中的任意一对延长线,确定该对延长线之间的夹角。
延长线之间的夹角的范围可以取[0°,90°]。
步骤二,若夹角符合预设角度条件,将该对延长线的交点确定为趋势线交点。
具体地,可以设置角度阈值(例如30°),若夹角大于等于角度阈值,则可以确定符合预设角度条件,此时两条道路趋势线的交点与实际的路口中心的距离较近,可以直接将延长线的交点确定为趋势线交点。
步骤三,若上述夹角不符合预设角度条件,从该对延长线的对应的两条趋势线的各个端点中选择两个目标端点,并基于两个目标端点的坐标,生成该对延长线对应的趋势线交点。
具体地,若上述夹角小于等于角度阈值,则可以确定不符合预设角度条件,此时两条道路趋势线的交点与实际的路口中心的距离较远,不能直接将延长线的交点确定为趋势线交点。如图7所示,由于两条道路趋势线的延长线的夹角较小,导致两条道路趋势线的延长线的交点C与实际路口的中心点P的距离较远,因此,可以选取两个目标端点A、B(例如两条道路延长线的四个端点中距离最近的两个端点),取目标端点A、B的坐标的平均值作为趋势线交点C′的坐标。
本实施例通过确定道路趋势线的延长线之间的夹角,并设置角度条件,可以准确判断延长线的交点是否可以表示路口中心点的大致位置,从而实现对路口中心点的位置的预判断,有助于在后续步骤中提高确定路口中心点的精确性。
在一些可选的实现方式中,如图8所示,步骤203包括:
步骤2035,对于至少一个路口中心点中的每个路口中心点,从该路口中心点对应的初始道路趋势线子集中,确定与该路口中心点符合相交条件的初始道路趋势线作为待打断道路趋势线。
其中,符合相交条件的初始道路趋势线近似与对应的路口中心点相交,此时可以确定该初始道路趋势线贯穿了路口,若仍按该初始道路趋势线识别路口,则会导致识别错误,因此,需要将贯穿路口的初始道路趋势线打断。
步骤2036,基于初始道路趋势线子集中除待打断道路趋势线以外的其他初始道路趋势线的宽度,对待打断道路趋势线进行打断,得到打断后的道路趋势线。
具体地,待打断道路趋势线中被打断的部分的长度与其他初始道路趋势线的宽度相关。例如,可以将其他道路趋势线延伸到待打断道路趋势线上,以延伸到的交点为打断点,将待打断道路趋势线中打断点两侧的部分道路趋势线去除,去除的长度可以为其他道路趋势线的宽度。
步骤2037,基于打断后的道路趋势线和其他初始道路趋势线,生成该路口中心点对应的道路趋势线子集。
完整的初始道路趋势线被打断后,得到至少两条打断后的道路趋势线,与其他未被打断的初始道路趋势线合并为一个道路趋势线子集。
本实施例通过对贯穿路口的道路趋势线进行打断,可以有效避免贯穿路口的道路趋势线对路口识别的准确性造成的影响,从而提高了路口识别的准确性。
在一些可选的实现方式中,上述步骤2036包括如下子步骤:
步骤一,确定初始道路趋势线子集中除待打断道路趋势线以外的其他初始道路趋势线的宽度线段。
其中,宽度线段是经过所属的初始道路趋势线的第一端点且与所属的道路趋势线垂直的线段。上述第一端点即初始道路趋势线上距离该初始道路趋势线子集对应的路口中心点最近的端点,过该点的宽度线段表示初始道路趋势线对应的道路的宽度。如图9A和图9B所示,线段w1、w2为宽度线段。
步骤二,将宽度线段的各个端点分别投影到待打断道路趋势线上,得到投影点集合。
如图9A和图9B所示,宽度线段w1和w2的四个端点分别投影到待打断趋势线上。
步骤三,基于投影点集合,对待打断道路趋势线进行打断。
这里存在如下四种打断的情况:
情况一:如图9A所示,相距最远的两个投影点p1、p2都未超出待打断趋势线的范围,则打断后的趋势线表示为{ptl1,p1}和{p2,ptl2}。
情况二:如图9B所示,相距最远的两个投影点p1、p2中的p1超出了待打断趋势线的范围,则打断后的趋势线表示为{p2,ptl2}。
情况三:与情况二类似,相距最远的两个投影点p1、p2中的p2超出了待打断趋势线的范围,则打断后的趋势线表示为{ptl1,p1}。
情况四,相距最远的两个投影点p1、p2都超出了待打断趋势线的范围,则删除该待打断趋势线。
本实施例通过将除待打断道路趋势线以外的其他初始道路趋势线的宽度线段投影到待打断道路趋势线上,根据投影点对待打断趋势线进行打断,可以准确地确定被打断的道路趋势线的范围,被打断的道路趋势线可以准确反映路口的类型,从而进一步提高了路口识别的准确性。
在一些可选的实现方式中,如图10所示,步骤204包括:
步骤2041,从高精地图中提取车道截止线集合。
其中,车道截止线用于表示车道的中断位置。作为示例,车道截止线可以包括但不限于人行横道、车辆停止线等。如图11所示,车道截止线SL1和SL2为车辆停止线,SL3、SL4、SL5为人行横道,其中的矩形表示人行横道的范围,实线段表示车辆停止线。
步骤2042,从至少一个路口中心点中确定目标路口中心点。
其中,目标路口中心点可以基于实际需要任意设置,例如,可以将距车辆当前的位置最近的路口中心点确定为目标路口中心点;也可以依次将每个路口中心点确定为目标路口中心点,并依次对目标中心点执行以下步骤。
步骤2043,从车道截止线集合中,确定对应于目标路口中心点的目标车道截止线子集。
具体地,可以将与目标路口中心点的距离处于预设距离范围内的各个车道截止线确定为目标车道截止线子集。
步骤2044,基于目标车道截止线子集和目标路口中心点对应的目标道路趋势线子集的位置关系,确定目标路口中心点对应的至少两条路口边界线。
具体地,由于一些路口并非每条道路都具有车道截止线,因此,需要将车道截止线与道路趋势线相结合,确定路口边界线。例如,若目标路口中心点对应的每条道路趋势线的附近都包括车道截止线(根据道路趋势线和车道截止线的距离判定是否在附近),则可以将车道截止线上距离目标路口中心点最远的两个端点之间的连线确定为路口边界线。
本实施例通过提取车道截止线集合,根据车道截止线和道路趋势线的位置关系确定路口边界线,可以有效利用已有的车道截止线对路口的边界进行判断,提高确定路口边界线的准确性,进而提高路口识别的精度。
在一些可选的实现方式中,上述步骤2043包括如下子步骤:
步骤一,确定目标路口中心点与车道截止线集合中的车道截止线的距离作为第一距离。
这里可以确定目标路口中心点与每条车道截止线的距离,各个距离均为第一距离。可选的,当车道截止线包括人行横道时,车道截止线包含多条线段,多条线段构成一个区域,此时可以将该区域中,距离目标路口中心点最远的端点之间的连线与目标路口中心点之间的距离作为第一距离。
步骤二,从车道截止线集合中确定处于第一预设距离范围内的第一距离对应的车道截止线构成的子集作为目标车道截止线子集。
本实施例通过计算目标路口中心点与车道截止线的距离,根据距离确定目标路口中心点对应的目标车道截止线子集,可以快速且准确地为车道截止线分配对应的路口,从而有助于提高确定路口边界线的效率和准确性。
在一些可选的实现方式中,上述步骤2044包括如下子步骤:
步骤一,确定目标车道截止线子集中的车道截止线与目标道路趋势线子集中的道路趋势线之间的距离作为第二距离。
本步骤在执行时,可以确定车道截止线和道路趋势线两两之间的距离,将计算的各个距离均确定为第二距离。可选的,车道截止线和道路趋势线作为两条线段,可以确定两者的四个端点中的每个端点距相对的线段的距离,取最小距离为两者之间的距离。
步骤二,基于第二距离,确定目标车道截止线子集中的车道截止线与目标道路趋势线子集中的道路趋势线的匹配关系。
可选的,可以将处于第二预设距离范围内的第二距离对应的车道截止线和道路趋势线确定为相匹配的车道截止线和道路趋势线。相匹配的车道截止线和道路趋势线表示一条包含车道线的道路上同时存在车道截止线。如图11所示,道路趋势线TL1和车道截止线SL1、SL3相匹配,同理,TL2和SL2、SL4相匹配。
步骤三,基于匹配关系,利用目标车道截止线子集中的车道截止线的端点和目标道路趋势线子集中的道路趋势线的端点,确定路口边界端点集合。
作为示例,对于相匹配的车道截止线和道路趋势线,可以从车道截止线的端点和道路趋势线的宽度线段的端点组成的端点集合中,选择距离目标路口中心点最远的端点作为路口边界端点。再例如,若道路趋势线不具有匹配的车道截止线,则可以将该道路趋势线的宽度线段的端点作为路口边界端点。
步骤四,基于路口边界端点集合,生成目标路口中心点对应的至少两条路口边界线。
具体地,可以将路口边界端点集合中的各个端点依次连接,连接后的线段即为路口边界线。
本实施例通过车道截止线和道路趋势线的距离两者的匹配关系,根据匹配关系确定路口边界端点集合,实现了基于路口地面上的实际画线准确划定路口边界线,从而准确确定路口的范围,提高路口识别的精度。
在一些可选的实现方式中,上述步骤2044中,可以按照如下步骤确定路口边界端点集合:
步骤一,对于目标车道截止线子集中的每条车道截止线,若该车道截止线具有匹配的道路趋势线,基于该车道截止线的端点和相匹配的道路趋势线的端点,确定该车道截止线对应的路口边界端点子集。
如图12A所示,车道截止线包括L1和L2,L1为车辆停止线,L2为人行横道的范围,L3为道路趋势线,L4为经过道路趋势线的端点的宽度线段。A、B、C、D、E、F分别为L1、L2和L4的端点,取L1和L2的端点中距离目标路口中心点P最远的端点A、D做直线,将其余端点都投影到该直线上,取相距最远的两个投影点G、H为路口边界端点子集。
需要说明的是,图12A所示仅仅是一个示例,还可以基于车道截止线和道路趋势线的端点,按照其他方法确定路口边界端点子集。例如,可以直接取距离目标路口中心点P最远的端点A、D作为路口边界端点子集。
步骤二,若该车道截止线不具有匹配的道路趋势线,基于车道截止线之间的距离,对该车道截止线和其他不具有匹配的道路趋势线的车道截止线进行聚类,得到该车道截止线所属的车道截止线聚类;基于车道截止线聚类中的车道截止线的端点,确定该车道截止线对应的路口边界端点子集。
在聚类时,若车道截止线之间的角度超过预设角度阈值,则确定两车道截止线接近垂直,此时认为两者距离无穷大,若车道截止线之间的角度未超过预设角度阈值,则可以按照上述计算第二距离的方法,确定车道截止线之间的距离。然后,按照聚类算法对车道截止线进行聚类。
作为一个示例,如图11所示,车道截止线SL5不存在匹配的道路趋势线,可以取SL5上与路口中心点最远的两个端点p4、p5为路口边界端点子集。作为另一示例,如图12B所示,车道截止线L1和L2不具有对应的道路趋势线,经过聚类后,L1和L2为属于同一车道截止线聚类,可以按照上述图12A类似的方法,将各端点投影到经过A、D的直线上,取相距最远的两个投影点E、D为路口边界端点子集。或者,也可以直接取距离目标路口中心点P最远的端点A、D作为路口边界端点子集。
本实施例实现了根据车道截止线和道路趋势线的匹配关系,分情况地确定路口边界端点子集,从而更全面地利用车道截止线和道路趋势线的位置关系,准确地确定表示实际路口边界的边界端点子集,进而提高了路口识别的准确性。
在一些可选的实现方式中,上述步骤2044中,还可以按照如下步骤确定路口边界端点集合:
若目标道路趋势线子集中存在未与车道截止线匹配的道路趋势线,基于未匹配的道路趋势线的端点,确定路口边界端点子集。
未与车道截止线匹配的道路趋势线,即表示与路口连接的某条道路上只有车道线,不存在车辆车道截止线。如图11所示,道路趋势线TL3不存在匹配的车道截止线。如图12C所示,道路趋势线L5靠近目标路口中心点P的端点,做一条宽度线段L6,该宽度线段L6的端点I和J即可作为路口边界端点子集。
本实施例实现了在道路趋势线未匹配到车道截止线时,生成相应的路口边界端点子集,从而使该方法进一步适应了路口的实际情况,有助于进一步提高路口识别的精度。
在一些可选的实现方式中,如图13所示,步骤205包括:
步骤2051,对于至少一个路口中心点中的每个路口中心点,基于至少两条路口边界线,生成表示该路口中心点对应的路口的范围的路口范围信息。
具体地,可以将每条路口边界线的端点依次连接,从而得到路口范围信息。如图11所示,路口边界线包括p1p2、p3p4、p4p5、p5p6,端点p1-p6围成的区域表示路口范围。
步骤2052,基于该路口中心点的位置和对应的道路趋势线子集,确定该路口中心点对应的至少两条道路两两之间的夹角。
可选的,上述至少两条道路两两之间的夹角可以等效于各条道路的道路趋势线之间的夹角。
步骤2053,基于该路口中心点对应的路口边界线的数量和至少两条道路两两之间的夹角,确定该路口中心点对应的路口的类型信息。
具体地,可以首先确定得到的各个夹角中的最大角度δθmax和最小角度δθmin,
若路口边界线的数量为2,则可以确定与该路口连接的道路的数量为2,此时δθmax和δθmin相等,若δθmin小于对应的角度阈值(例如120°),则判断路口类型为L型路口,否则为直行路口。
若路口边界线的数量为3,若δθmax大于对应的角度阈值(例如120°),则判断路口类型为T型路口,否则为Y型路口。
若路口边界线的数量为4,若δθmax大于对应的角度阈值(例如100°),则判断路口类型为K型路口,否则为十字路口。
若路口边界线的数量不满足以上几种情况,则判断路口类型为未知。
步骤2054,基于至少一个路口中心点各自的路口范围信息和/或路口类型信息,生成当前行驶路段的路口属性信息。
具体地,路口属性信息可以包括路口范围信息和/或路口类型信息,此外,还可以将其他信息加入路口属性信息,例如路口中心点的位置等。
需要说明的是,由于在步骤2054中,采用基于路口范围信息和/或路口类型信息生成路口属性信息,因此,上述步骤2051-步骤2053可以根据生成路口属性信息所采用的信息类型以确定是否执行,即步骤2051-步骤2053可以都执行,也可以只执行步骤2051,或只执行步骤2052-步骤2053。
本实施例实现了基于前置步骤中精确生成的路口边界线的位置、路口边界线的数量和道路之间的夹角确定路口的范围和类型,从而提高了对路口属性进行识别的全面性和精确性。
在一些可选的实现方式中,上述步骤2052可以包括如下子步骤:
步骤一,对于该路口中心点对应的每条路口边界线,若该路口边界线具有对应的车道截止线,将该路口中心点投影至该路口边界线,得到投影点;确定投影点和该路口中心点之间的连线与基准直线之间的夹角作为该路口边界线对应的角度。
如图11所示,PL1为目标路口中心点P与其投影到路口边界线p1p2的投影点之间的连线,以及,PL2为目标路口中心点P与其投影到路口边界线p5p6的投影点之间的连线,PL1和PL2分别与基准直线的夹角为路口边界线p1p2、p5p6分别对应的角度。
步骤二,若该路口边界线不具有对应的车道截止线,且具有对应的道路趋势线,确定对应的道路趋势线与基准直线之间的夹角作为该路口边界线对应的角度。
如图11所示,路口边界线p3p4不具有对应的车道截止线,道路趋势线TL3与基准直线之间的夹角为该路口边界线p3p4对应的角度。
步骤三,基于得到的各条路口边界线分别对应的角度,确定该路口中心点对应的至少两条道路两两之间的夹角。
具体地,两条路口边界线的角度差,即可作为对应两条道路之间的夹角。
本实施例对路口边界线具有对应的车道截止线和不具有对应的车道截止线两种情况,分别按照不同的方式确定道路之间的夹角,可以使确定道路之间的夹角的方法适用于各种类型的路口,从而提高了路口识别的适应性和识别精度。
示例性装置
图14是本公开一示例性实施例提供的在驾驶过程中定位车辆所在路口的装置的结构示意图。本实施例可应用在电子设备上,如图14所示,在驾驶过程中定位车辆所在路口的装置包括:第一确定模块1401,用于基于高精地图中的道路数据,确定车辆当前行驶路段的至少两个车道线子集;第二确定模块1402,用于确定至少两个车道线子集各自对应的道路趋势线,得到道路趋势线集合;第三确定模块1403,用于基于道路趋势线集合,确定当前行驶路段的至少一个路口中心点,并确定每个路口中心点对应的道路趋势线子集;第四确定模块1404,用于基于至少一个路口中心点中的每个路口中心点与对应的道路趋势线子集的位置关系,确定当前行驶路段的至少两条路口边界线;第五确定模块1405,用于基于至少一个路口中心点和至少两条路口边界线,确定当前行驶路段的路口属性信息。
在本实施例中,第一确定模块1401可以基于高精地图中的道路数据,确定车辆当前行驶路段的至少两个车道线子集。
其中,高精地图可以设置在电子设备本地,也可以设置在远程;设置在远程时,电子设备可以通过网络获取高精地图中的道路数据。通常,电子设备可以实时对车辆进行定位,根据车辆当前的位置,从高精地图中确定车辆的当前行驶路段,当前行驶路段对应于高精地图中的多条车道线。
在本实施例中,第二确定模块1402可以确定至少两个车道线子集各自对应的道路趋势线,得到道路趋势线集合。
道路趋势线用于表示道路的位置和延时方向。作为示例,可以根据一个趋势线子集包括的趋势线的坐标,确定一条中心线(图4C所示的虚线段e、f、g、h),该条中心线上的每个点距离该趋势线子集中最外侧的两条车道线的距离相等,该条中心线作为道路趋势线。
在本实施例中,第三确定模块1403可以基于道路趋势线集合,确定当前行驶路段的至少一个路口中心点,并确定每个路口中心点对应的道路趋势线子集。
其中,路口中心点用于表示一个路口的中心位置。可选的,可以将道路趋势线之间的交点确定为路口中心点。路口中心点对应的道路趋势线子集包括的道路趋势线,表示与该路口中心点表示的路口连接的道路。
在本实施例中,第四确定模块1404可以基于至少一个路口中心点中的每个路口中心点与对应的道路趋势线子集的位置关系,确定当前行驶路段的至少两条路口边界线。具体地,由于路口中心点表示路口的中心位置,道路趋势线子集表示与该路口连接的道路,因此,可以根据道路趋势线的端点,确定路口与道路的连接位置,进而确定一条路口边界线,用于表示该连接位置。作为示例,道路趋势线子集中的每条道路趋势线距路口中心点最近的端点为第一端点,过第一端点做一条与道路趋势线垂直,长度为道路宽度的线段,依次连接所做的各条线段的端点,构成的封闭区域的每条边线即路口边界线。
在本实施例中,第五确定模块1405可以基于至少一个路口中心点和至少两条路口边界线,确定当前行驶路段的路口属性信息。
路口属性信息可以包括路口范围信息、路口类型信息等。作为示例,可以根据每个路口中心点对应的至少两条路口边界线,确定一个封闭区域,根据该封闭区域,可以生成路口范围信息。还可以根据每个路口中心点对应的道路趋势线子集中的各条道路趋势线之间的夹角,确定表示路口类型(例如十字路口、丁字路口等)的路口类型信息。
参照图15,图15是本公开另一示例性实施例提供的在驾驶过程中定位车辆所在路口的装置的结构示意图。
在一些可选的实现方式中,第一确定模块1401包括:第一提取单元14011,用于从高精地图中的道路数据中,提取车辆当前行驶路段对应的车道线集合;第一聚类单元14012,用于对车道线集合进行聚类,得到车辆当前行驶路段的至少两个车道线子集。
在一些可选的实现方式中,第一聚类单元14012进一步用于:基于车道线集合中的每条车道线与基准线之间的角度,对车道线集合进行聚类,得到至少一个初始车道线子集;对至少一个初始车道线子集中的每个初始车道线子集,按照车道线之间的距离进行聚类,得到至少两个车道线子集。
在一些可选的实现方式中,第二确定模块1402包括:第一确定单元14021,用于对于至少两个车道线子集中的每个车道线子集,确定该车道线子集的宽度线段;第二确定单元14022,用于根据该车道线子集中的车道线的角度,确定过宽度线段的中点的直线;截取单元14023,用于基于该车道线子集中的车道线的端点,从直线截取表示该车道线子集对应的道路的长度和延伸方向的线段作为该车道线子集对应的道路趋势线。
在一些可选的实现方式中,第三确定模块1403包括:延长单元14031,用于将道路趋势线集合中的道路趋势线分别延长预设长度,得到延长线集合;第三确定单元14032,用于确定延长线集合中的延长线两两之间的交点,得到趋势线交点集合;第二聚类单元14033,用于基于趋势线交点集合中的趋势线交点两两之间的距离,对趋势线交点集合进行聚类,得到至少一个交点子集;第四确定单元14034,用于基于至少一个交点子集中的交点子集各自包括的交点的坐标,确定至少一个交点子集中的交点子集分别对应的路口中心点。
在一些可选的实现方式中,第三确定单元14032进一步用于:对于延长线集合中的任意一对延长线,确定该对延长线之间的夹角;若夹角符合预设角度条件,将该对延长线的交点确定为趋势线交点;若夹角不符合预设角度条件,从该对延长线的对应的两条趋势线的各个端点中选择两个目标端点,并基于两个目标端点的坐标,生成该对延长线对应的趋势线交点。
在一些可选的实现方式中,第三确定模块1403包括:第五确定单元14035,用于对于至少一个路口中心点中的每个路口中心点,从该路口中心点对应的初始道路趋势线子集中,确定与该路口中心点符合相交条件的初始道路趋势线作为待打断道路趋势线;打断单元14036,用于基于初始道路趋势线子集中除待打断道路趋势线以外的其他初始道路趋势线的宽度,对待打断道路趋势线进行打断,得到打断后的道路趋势线;第一生成单元14037,用于基于打断后的道路趋势线和其他初始道路趋势线,生成该路口中心点对应的道路趋势线子集。
在一些可选的实现方式中,打断单元14036进一步用于:确定初始道路趋势线子集中除待打断道路趋势线以外的其他初始道路趋势线的宽度线段,其中,宽度线段是经过所属的初始道路趋势线的第一端点且与所属的道路趋势线垂直的线段;将宽度线段的各个端点分别投影到待打断道路趋势线上,得到投影点集合;基于投影点集合,对待打断道路趋势线进行打断。
在一些可选的实现方式中,第四确定模块1404包括:第二提取单元14041,用于从高精地图中提取车道截止线集合;第六确定单元14042,用于从至少一个路口中心点中确定目标路口中心点;第七确定单元14043,用于从车道截止线集合中,确定对应于目标路口中心点的目标车道截止线子集;第八确定单元14044,用于基于目标车道截止线子集和目标路口中心点对应的目标道路趋势线子集的位置关系,确定目标路口中心点对应的至少两条路口边界线。
在一些可选的实现方式中,第七确定单元14043进一步用于:确定目标路口中心点与车道截止线集合中的车道截止线的距离作为第一距离;从车道截止线集合中确定处于第一预设距离范围内的第一距离对应的车道截止线构成的子集作为目标车道截止线子集。
在一些可选的实现方式中,第八确定单元14044进一步用于:确定目标车道截止线子集中的车道截止线与目标道路趋势线子集中的道路趋势线之间的距离作为第二距离;基于第二距离,确定目标车道截止线子集中的车道截止线与目标道路趋势线子集中的道路趋势线的匹配关系;基于匹配关系,利用目标车道截止线子集中的车道截止线的端点和目标道路趋势线子集中的道路趋势线的端点,确定路口边界端点集合;基于路口边界端点集合,生成目标路口中心点对应的至少两条路口边界线。
在一些可选的实现方式中,第八确定单元14044进一步用于:对于目标车道截止线子集中的每条车道截止线,若该车道截止线具有匹配的道路趋势线,基于该车道截止线的端点和相匹配的道路趋势线的端点,确定该车道截止线对应的路口边界端点子集;若该车道截止线不具有匹配的道路趋势线,基于车道截止线之间的距离,对该车道截止线和其他不具有匹配的道路趋势线的车道截止线进行聚类,得到该车道截止线所属的车道截止线聚类;基于车道截止线聚类中的车道截止线的端点,确定该车道截止线对应的路口边界端点子集。
在一些可选的实现方式中,第八确定单元14044进一步用于:若目标道路趋势线子集中存在未与车道截止线匹配的道路趋势线,基于未匹配的道路趋势线的端点,确定路口边界端点子集。
在一些可选的实现方式中,第五确定模块1405包括:第二生成单元14051,用于对于至少一个路口中心点中的每个路口中心点,基于至少两条路口边界线,生成表示该路口中心点对应的路口的范围的路口范围信息;和/或,第九确定单元14052,用于基于该路口中心点的位置和对应的道路趋势线子集,确定该路口中心点对应的至少两条道路两两之间的夹角;第十确定单元14053,用于基于该路口中心点对应的路口边界线的数量和至少两条道路两两之间的夹角,确定该路口中心点对应的路口的类型信息;第三生成单元14054,用于基于至少一个路口中心点各自的路口范围信息和/或路口类型信息,生成当前行驶路段的路口属性信息。
在一些可选的实现方式中,第九确定单元14052进一步用于:对于该路口中心点对应的每条路口边界线,若该路口边界线具有对应的车道截止线,将该路口中心点投影至该路口边界线,得到投影点;确定投影点和该路口中心点之间的连线与基准直线之间的夹角作为该路口边界线对应的角度;若该路口边界线不具有对应的车道截止线,且具有对应的道路趋势线,确定道路趋势线与基准直线之间的夹角作为该路口边界线对应的角度;基于得到的各条路口边界线分别对应的角度,确定该路口中心点对应的至少两条道路两两之间的夹角。
本公开上述实施例提供的在驾驶过程中定位车辆所在路口的装置,通过从高精地图中提取车道线并划分为至少两个车道线子集,然后确定车道线的趋势线,基于趋势线确定路况中心点,进而确定路口边界线,最后根据路口边界线确定路口属性信息,从而实现了车辆行驶过程中,基于高精地图中的车道线的特征,准确识别路口的属性,在利用传感器进行道路感知存在偏差的情况下,能够有效利用高精地图中的车道线准确预测路口的位置,识别路口属性信息,降低输出的路口属性信息发生跳变的可能性,提高生成路口属性信息的稳定性。
示例性电子设备
下面,参考图16来描述根据本公开实施例的电子设备。该电子设备可以是如图1所示的终端设备101和服务器103中的任一个或两者、或与它们独立的单机设备,该单机设备可以与终端设备101和服务器103进行通信,以从它们接收所采集到的输入信号。
图16示出了根据本公开实施例的电子设备的框图。
如图16所示,电子设备1600包括一个或多个处理器1601和存储器1602。
处理器1601可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备1600中的其他组件以执行期望的功能。
存储器1602可以包括一个或多个计算机程序产品,计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器1601可以运行程序指令,以实现上文的本公开的各个实施例的在驾驶过程中定位车辆所在路口的方法以及/或者其他期望的功能。在计算机可读存储介质中还可以存储诸如道路数据等各种内容。
在一个示例中,电子设备1600还可以包括:输入装置1603和输出装置1604,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。例如,在该电子设备是终端设备101或服务器103时,该输入装置1603可以是相机、鼠标、键盘等设备,用于输入道路数据、各种命令等。在该电子设备是单机设备时,该输入装置1603可以是通信网络连接器,用于从终端设备101和服务器103接收所输入的道路数据、各种命令。
该输出装置1604可以向外部输出各种信息,包括得到的路口属性信息。该输出装置1604可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出装置等等。
当然,为了简化,图16中仅示出了该电子设备1600中与本公开有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备1600还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本公开的实施例还可以提供一种计算机程序产品,包括计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行上述“示例性方法”部分中描述的本公开各种实施例的在驾驶过程中定位车辆所在路口的方法中的步骤。
计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本公开的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行“示例性方法”部分中描述的本公开各种实施例的在驾驶过程中定位车辆所在路口的方法中的步骤。
计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如但不限于包括电、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。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。
以上结合具体实施例描述了本公开的基本原理,但是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为其是本公开的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
本领域的技术人员可以对本公开进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本公开权利要求及其等同技术的范围之内,则本公开也意图包含这些改动和变型在内。
Claims (11)
1.一种在驾驶过程中定位车辆所在路口的方法,包括:
基于高精地图中的道路数据,确定车辆当前行驶路段的至少两个车道线子集;
确定所述至少两个车道线子集各自对应的道路趋势线,得到道路趋势线集合;
基于所述道路趋势线集合,确定所述当前行驶路段的至少一个路口中心点,并确定每个路口中心点对应的道路趋势线子集;
基于所述至少一个路口中心点中的每个路口中心点与对应的道路趋势线子集的位置关系,确定所述当前行驶路段的至少两条路口边界线;
基于所述至少一个路口中心点和所述至少两条路口边界线,确定所述当前行驶路段的路口属性信息。
2.根据权利要求1所述的方法,其中,所述基于高精地图中的道路数据,确定车辆当前行驶路段的至少两个车道线子集,包括:
从所述高精地图中的道路数据中,提取所述车辆当前行驶路段对应的车道线集合;
对所述车道线集合进行聚类,得到所述车辆当前行驶路段的至少两个车道线子集。
3.根据权利要求2所述的方法,其中,所述对所述车道线集合进行聚类,得到所述车辆当前行驶路段的至少两个车道线子集,包括:
基于所述车道线集合中的每条车道线与基准线之间的角度,对所述车道线集合进行聚类,得到至少一个初始车道线子集;
对所述至少一个初始车道线子集中的每个初始车道线子集,按照车道线之间的距离进行聚类,得到所述至少两个车道线子集。
4.根据权利要求1所述的方法,其中,所述确定所述至少两个车道线子集各自对应的道路趋势线,包括:
对于所述至少两个车道线子集中的每个车道线子集,确定该车道线子集的宽度线段;
根据该车道线子集中的车道线的角度,确定过所述宽度线段的中点的直线;
基于该车道线子集中的车道线的端点,从所述直线截取表示该车道线子集对应的道路的长度和延伸方向的线段作为该车道线子集对应的道路趋势线。
5.根据权利要求1所述的方法,其中,所述基于所述道路趋势线集合,确定所述当前行驶路段的至少一个路口中心点,包括:
将所述道路趋势线集合中的道路趋势线分别延长预设长度,得到延长线集合;
确定所述延长线集合中的延长线两两之间的交点,得到趋势线交点集合;
基于所述趋势线交点集合中的趋势线交点两两之间的距离,对所述趋势线交点集合进行聚类,得到至少一个交点子集;
基于所述至少一个交点子集中的交点子集各自包括的交点的坐标,确定所述至少一个交点子集中的交点子集分别对应的路口中心点。
6.根据权利要求1所述的方法,其中,所述确定每个路口中心点对应的道路趋势线子集,包括:
对于所述至少一个路口中心点中的每个路口中心点,从该路口中心点对应的初始道路趋势线子集中,确定与该路口中心点符合相交条件的初始道路趋势线作为待打断道路趋势线;
基于所述初始道路趋势线子集中除所述待打断道路趋势线以外的其他初始道路趋势线的宽度,对所述待打断道路趋势线进行打断,得到打断后的道路趋势线;
基于所述打断后的道路趋势线和所述其他初始道路趋势线,生成该路口中心点对应的道路趋势线子集。
7.根据权利要求1所述的方法,其中,所述基于所述至少一个路口中心点中的每个路口中心点与对应的道路趋势线子集的位置关系,确定所述当前行驶路段的至少两条路口边界线,包括:
从所述高精地图中提取车道截止线集合;
从所述至少一个路口中心点中确定目标路口中心点;
从所述车道截止线集合中,确定对应于所述目标路口中心点的目标车道截止线子集;
基于所述目标车道截止线子集和所述目标路口中心点对应的目标道路趋势线子集的位置关系,确定所述目标路口中心点对应的至少两条路口边界线。
8.根据权利要求1所述的方法,其中,所述基于所述至少一个路口中心点和所述至少两条路口边界线,确定所述当前行驶路段的路口属性信息,包括:
对于所述至少一个路口中心点中的每个路口中心点,基于所述至少两条路口边界线,生成表示该路口中心点对应的路口的范围的路口范围信息;和/或,
基于该路口中心点的位置和对应的道路趋势线子集,确定该路口中心点对应的至少两条道路两两之间的夹角;
基于该路口中心点对应的路口边界线的数量和所述至少两条道路两两之间的夹角,确定该路口中心点对应的路口的类型信息;
基于所述至少一个路口中心点各自的路口范围信息和/或路口类型信息,生成所述当前行驶路段的路口属性信息。
9.一种在驾驶过程中定位车辆所在路口的装置,包括:
第一确定模块,用于基于高精地图中的道路数据,确定车辆当前行驶路段的至少两个车道线子集;
第二确定模块,用于确定所述至少两个车道线子集各自对应的道路趋势线,得到道路趋势线集合;
第三确定模块,用于基于所述道路趋势线集合,确定所述当前行驶路段的至少一个路口中心点,并确定每个路口中心点对应的道路趋势线子集;
第四确定模块,用于基于所述至少一个路口中心点中的每个路口中心点与对应的道路趋势线子集的位置关系,确定所述当前行驶路段的至少两条路口边界线;
第五确定模块,用于基于所述至少一个路口中心点和所述至少两条路口边界线,确定所述当前行驶路段的路口属性信息。
10.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于被处理器执行以实现上述权利要求1-8任一所述的方法。
11.一种电子设备,所述电子设备包括:
处理器;
用于存储所述处理器的可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311119276.7A CN117053818A (zh) | 2023-08-31 | 2023-08-31 | 在驾驶过程中定位车辆所在路口的方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311119276.7A CN117053818A (zh) | 2023-08-31 | 2023-08-31 | 在驾驶过程中定位车辆所在路口的方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117053818A true CN117053818A (zh) | 2023-11-14 |
Family
ID=88658941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311119276.7A Pending CN117053818A (zh) | 2023-08-31 | 2023-08-31 | 在驾驶过程中定位车辆所在路口的方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117053818A (zh) |
-
2023
- 2023-08-31 CN CN202311119276.7A patent/CN117053818A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20210038712A (ko) | 도로 교차로들의 유효성 검증 | |
JP7314213B2 (ja) | 車両測位方法、装置、電子デバイス、記憶媒体及びプログラム | |
CN111951144B (zh) | 一种违章路段的确定方法、设备及计算机可读存储介质 | |
CN111813101B (zh) | 机器人路径规划方法、装置、终端设备及存储介质 | |
JP2020516880A (ja) | ポリゴンにおける中間点を低減する方法および装置 | |
CN113723141B (zh) | 车辆的定位方法、装置、电子设备、车辆及存储介质 | |
CN112033420B (zh) | 一种车道地图构建方法和装置 | |
CN110749329A (zh) | 一种基于结构化道路的车道级拓扑构建方法及装置 | |
CN113928340A (zh) | 应用于车辆中的避障方法、装置、电子设备和存储介质 | |
US20230018996A1 (en) | Method, device, and computer program for providing driving guide by using vehicle position information and signal light information | |
CN112558072A (zh) | 车辆定位方法、装置、系统、电子设备及存储介质 | |
US20230159052A1 (en) | Method for processing behavior data, method for controlling autonomous vehicle, and autonomous vehicle | |
CN115339453A (zh) | 车辆换道决策信息生成方法、装置、设备和计算机介质 | |
CN113570727A (zh) | 场景文件的生成方法、装置、电子设备及存储介质 | |
KR101808413B1 (ko) | 도로의 특성 정보를 이용한 도로 유형 정보 제공 시스템 및 방법 | |
CN112987707A (zh) | 一种车辆的自动驾驶控制方法及装置 | |
CN117053818A (zh) | 在驾驶过程中定位车辆所在路口的方法、装置及电子设备 | |
CN115631476A (zh) | 一种车道数据处理方法、系统、电子设备及存储介质 | |
CN115917619A (zh) | 信息处理装置 | |
CN112735130A (zh) | 交通数据的处理方法、装置、电子设备和介质 | |
CN113761990B (zh) | 一种道路边界检测方法、装置、无人车及存储介质 | |
CN116086477B (zh) | 局部路径信息生成方法、装置、设备和计算机可读介质 | |
CN116465394B (zh) | 基于车辆轨迹数据的路网结构生成方法及装置 | |
CN117093663B (zh) | 电子地图的数据处理方法和相关装置 | |
CN116305717A (zh) | 导流带的生成方法、装置、设备及介质 |
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 |