CN117433512B - 一种针对道路清扫车的低成本车道线实时定位与建图方法 - Google Patents
一种针对道路清扫车的低成本车道线实时定位与建图方法 Download PDFInfo
- Publication number
- CN117433512B CN117433512B CN202311754415.3A CN202311754415A CN117433512B CN 117433512 B CN117433512 B CN 117433512B CN 202311754415 A CN202311754415 A CN 202311754415A CN 117433512 B CN117433512 B CN 117433512B
- Authority
- CN
- China
- Prior art keywords
- line
- data
- lines
- lane
- road
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 241001417527 Pempheridae Species 0.000 title claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 206010034719 Personality change Diseases 0.000 claims abstract description 3
- 238000013507 mapping Methods 0.000 claims description 17
- 238000009499 grossing Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002045 lasting effect Effects 0.000 claims description 3
- 230000004083 survival effect Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012888 cubic function Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G01C21/38—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
- G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
-
- 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
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting 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
- G01C21/26—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
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road 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
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3826—Terrain data
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种针对道路清扫车的低成本车道线实时定位与建图方法,具体步骤包括:实时采集车道线和路沿数据,并进行数据预处理;构建车辆坐标系,将预处理后的车道线和路沿数据变换成三维线条添加到车辆坐标系中;根据车道线和路沿数据对应的时间戳结合底盘里程计的姿态变换序列,对三维线条进行时间标记;将新采集的三维线条添加到车辆坐标系中与历史三维线条进行匹配,选择新采集三维线条与历史三维线条中距离最近的一条作为最优匹配对;同时根据时间标记对所有线条数据进行跟踪标记并处理异常数据;根据筛选后的最优匹配对,通过预设权重将新采集的车道线和路沿数据与历史数据进行融合。
Description
技术领域
本发明涉及汽车导航定位技术领域,具体为一种针对道路清扫车的低成本车道线实时定位与建图方法。
背景技术
道路清扫车是城市环卫工作中重要的车辆,其工作效率和安全性直接影响到城市道路的清洁程度和交通秩序。然而,现有的并没有针对道路清扫车作业场景下的、基于车道线的低成本实时定位与建图方法,现有的智驾清扫车普遍使用的高精度预制地图配合高精度定位系统来进行导航,这会带来高成本、长部署时间等缺陷,给智驾清扫车的推广带来较大的困难。因此,开发一种针对道路清扫车的车道线实时定位与建图的方法具有重要意义。
发明内容
为了解决上述现有技术中存在的问题,本发明提出了一种针对道路清扫车的低成本车道线实时定位与建图方法。
本发明的技术方案如下:
一方面,本发明提出一种针对道路清扫车的低成本车道线实时定位与建图方法,具体步骤包括:
实时采集车道线和路沿数据,并进行数据预处理;构建车辆坐标系,将预处理后的车道线和路沿数据变换成三维线条添加到车辆坐标系中;
根据车道线和路沿数据对应的时间戳结合底盘里程计的姿态变换序列,对三维线条进行时间标记;
将新采集的三维线条添加到车辆坐标系中与历史三维线条进行匹配,选择新采集三维线条与历史三维线条中距离最近的一条作为最优匹配对;同时根据时间标记对所有线条数据进行跟踪标记并处理异常数据;
根据筛选后的最优匹配对,通过预设权重将新采集的车道线和路沿数据与历史数据进行融合;并利用最小二乘法多项式拟合及采样的方法对融合后的数据进行平滑处理,获得实时的车道线和路沿地图骨架;
基于车道线和路沿地图骨架与三维线条的平行关系,构建各个线条间的平行关系集合;通过传感器感应路面线条并从中选择目标车道线或路沿线,根据目标车道线或路沿线数据与地图骨架中现有线条数据进行匹配,未匹配上或未检测到的目标车道线或路沿线则根据平行关系集合进行预测,或选择数据相近的历史车道线或路沿作为目标车道线或路沿;
根据选定目标线及地图骨架的相关数据构建实时感知地图,结合预设目标道路清扫车的运行参数生成实时导航数据并输出。
作为优选实施方式,所述车道线和路沿数据包括二维数据和三维数据。
作为优选实施方式,所述数据预处理为利用几何方法过滤采集的车道线和路沿数据中的异常数据。
作为优选实施方式,所述将新采集的三维线条添加到车辆坐标系中与历史三维线条进行匹配,选择新采集三维线条与历史三维线条中距离最近的一条作为最优匹配对步骤的匹配原则为利用两条三维线条上点与点间的距离计算线与线间的距离,利用线与线间的距离来选择距离最接近的两条三维线条作为最优匹配对。
作为优选实施方式,所述同时根据时间标记对所有线条数据进行跟踪标记并处理异常数据步骤具体为:
对新采集数据中未匹配上的线条新创建一个track目标,更新其状态为待初始化状态;
根据时间标记对已匹配上的线条跟踪其匹配次数;
对匹配次数达到一定阈值的线条为其分配一个track id,更新其状态为存活状态;
对历史数据中未匹配上的线条更新其未匹配次数;
对未匹配次数达到一定阈值的线条,更新其状态置为假死状态;
对假死状态持续到一定的周期的线条,更新其状态为死亡状态并销毁线条。
作为优选实施方式,所述未匹配上或未检测到的目标车道线或路沿线则根据平行关系集合进行预测,或选择数据相近的历史车道线或路沿作为目标车道线或路沿步骤具体为:
当未检测到目标车道线或路沿线时,根据现行路段的历史数据及平行关系集合进行目标线预测;
当检测到目标车道线或路沿线但没有匹配上时,则通过现行路段的历史数据及平行关系集合进行目标线预测;
当目标线预测失败时,从现有地图骨架含有的线条中数据最为贴近目标线的一条作为最终的目标线。
作为优选实施方式,所述目标道路清扫车的运行参数包括贴靠距离和运行方向。
作为优选实施方式,所述导航数据包括导航线和曲率。
另一方面,本发明提出一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本发明任一实施例所述的一种针对道路清扫车的低成本车道线实时定位与建图方法。
另一方面,本发明提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任一实施例所述的一种针对道路清扫车的低成本车道线实时定位与建图方法。
本发明具有如下有益效果:
1、本发明基于车道线和路沿线的历史数据及实时数据,可以根据目标清扫车所选择的线路制定导航路径,较为灵活多变,满足客户不同的要求。
2、本发明与现有技术相比,不需要使用高精度的预制地图与高精度的定位系统,降低了制图与导航的成本,节省了部署的时间。
3、本发明通过对车道线和路沿线的历史数据及实时数据的分析及处理,可以快速构建感应地图,感知目标清扫车周围的实时道路状况。
附图说明
图1为本发明的步骤流程图。
具体实施方式
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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
实施例一:
参见图1,一种针对道路清扫车的低成本车道线实时定位与建图方法,具体步骤包括:
实时采集车道线和路沿数据,并进行数据预处理;构建车辆坐标系,将预处理后的车道线和路沿数据变换成三维线条添加到车辆坐标系中;
在本实施例中,车道线和路沿线数据主要包括:
车道线数据:车道线数据用于确定道路中的车道和车道边界。它包括以下类型的车道线:
实线:用于分隔不同的车道或表示禁止变道的区域。
虚线:用于分隔不同的车道或标示允许变道的区域。
中心线:用于标示车辆行驶的中心线。
边界线:用于标示车道的边界,通常在道路的边缘。
路沿数据:路沿数据用于确定道路的边界和行驶区域。它包括以下类型的数据:
道路边缘:用于标明道路的边界,在道路的边缘或车道线之外。
路肩:用于提供行车紧急情况下的额外空间,常位于道路边缘,供车辆停靠或紧急停车使用。
人行道:用于行人行走的区域,位于道路的边缘。
路牙:位于道路边缘或车道线之外,用于分隔车辆行驶区域和人行道的区域。
在本实施例中,将预处理后的车道线和路沿数据变换成三维线条添加到车辆坐标系中的方法具体为:
将二维或三维的车道线或路沿数据变换到车辆坐标系中,并提取出在车体坐标系下的坐标值。
利用这些坐标值,计算两两相邻点之间的直线距离以及角度,以便后续的线条生成。
基于这些点,可以使用曲线拟合算法,如 B-Spline、Bezier 或 Catmull-Rom 算法等,生成三维线条。
根据生成的三维线条,可以进一步确定车道线或路沿的空间位置、方向和形状等信息。
根据车道线和路沿数据对应的时间戳结合底盘里程计的姿态变换序列,对三维线条进行时间标记。
将新采集的三维线条添加到车辆坐标系中与历史三维线条进行匹配,选择新采集三维线条与历史三维线条中距离最近的一条作为最优匹配对;同时根据时间标记对所有线条数据进行跟踪标记并处理异常数据;
根据筛选后的最优匹配对,通过预设权重将新采集的车道线和路沿数据与历史数据进行融合;并利用最小二乘法多项式拟合及采样的方法对融合后的数据进行平滑处理,获得实时的车道线和路沿地图骨架;
在本实施例中,利用最小二乘法多项式拟合对数据进行平滑处理的方法如下:
根据采样数据点坐标绘制出原始曲线。
选定一个多项式函数,例如二次函数、三次函数等,用曲线拟合方程来近似描述数据之间的关系。
对于每个数据点,计算其到拟合曲线的距离,并将这些距离加起来,得到总距离。
通过最小化总距离的方法,求解最佳的拟合曲线参数,得到平滑后的拟合曲线。
对于新的数据点,使用平滑后的拟合曲线来计算其值,以实现数据的平滑处理。
需要注意的是,选择合适的多项式函数和拟合曲线参数是非常重要的。如果拟合曲线的阶数过高,会导致过度拟合,捕捉到了噪声和异常数据,从而对数据的平滑处理效果不佳。而拟合曲线的阶数过低,则可能无法捕捉到数据之间的真实关系,也会导致平滑后的曲线与原始数据有很大的偏差。
采样的方法可以通过以下步骤实现:
选择合适的采样频率,决定数据采样的间隔或时间。
对于每个时间点或坐标点,记录其相应的数值。
将记录的数值作为原始数据,采用最小二乘法多项式拟合的方法进行平滑处理。
对于新的时间点或坐标点,使用平滑后的拟合曲线来计算其数值,以实现数据的平滑处理。
需要注意的是,采样频率的选择应该考虑到数据的特性和应用场景。采样频率过高,会增加数据处理的复杂性;采样频率过低,则可能无法有效地采集和反映数据变化的信息。因此,在实际应用中,需要根据具体情况来进行合理的采样频率选择,以达到最佳的平滑效果。
基于车道线和路沿地图骨架与三维线条的平行关系,构建各个线条间的平行关系集合;通过传感器感应路面线条并从中选择目标车道线或路沿线,根据目标车道线或路沿线数据与地图骨架中现有线条数据进行匹配,未匹配上或未检测到的目标车道线或路沿线则根据平行关系集合进行预测,或选择数据相近的历史车道线或路沿作为目标车道线或路沿;
在本实施例中,根据三维线条的平行关系,构建各个线条间的平行关系集合的具体方法为:
将二维或三维的车道线或路沿数据经过坐标变换,将其从原始坐标系中转换到车辆坐标系中。
在车辆坐标系中,对车道线或路沿进行分组,将具有平行关系的线条分为同一组。
对于每一组平行的线条,可以通过计算线条之间的距离和角度等信息来判断其是否平行。
确定平行线条之间的距离和角度的范围,并将其进行离散化,划分成多个取值范围。
对于每个取值范围,生成一个平行关系集合,其中包含满足对应范围的平行线条。
需要注意的是,生成平行关系集合的方法可能会涉及一些参数和阈值的选择,如判断线条是否平行的阈值、离散化的取值范围等,这些参数和阈值的选择需要根据具体情况和应用需求进行调整。此外,数据的质量和准确性也会对结果产生影响,因此在进行数据处理时,应尽量选择高质量的车道线或路沿数据,并进行适当的预处理和滤波操作,以提高生成平行关系集合的准确性和稳定性。
根据选定目标线及地图骨架的相关数据构建实时感知地图,结合预设目标道路清扫车的运行参数生成实时导航数据并输出。
作为本实施例的优选实施方式,所述车道线和路沿数据包括二维数据和三维数据。
作为本实施例的优选实施方式,所述数据预处理为利用几何方法过滤采集的车道线和路沿数据中的异常数据。
在本实施例中,在采集车道线和路沿数据的过程中,由于各种原因,有时会出现异常数据,例如错误的坐标位置、异常的线条形状、噪声等。为了保证数据的准确性和可靠性,需要对采集到的车道线和路沿数据进行异常数据过滤。利用几何方法可以有效地解决这一问题,具体方法如下:
第一,判断点是否在道路区域内:根据车辆行驶的区域,可以先确定一个道路区域的几何形状,例如矩形、多边形等,然后判断车道线和路沿数据中的点是否在该区域内。如果点不在道路区域内,即认为其是异常数据,可以将其剔除。
第二,判断点到道路边缘的距离:在道路的左右两侧,分别有车道线和路沿。可以通过计算每个点到最近的道路边缘的距离,来判断该点是否在道路范围内。如果该点到道路边缘的距离超过预定的阈值,则认为其是异常数据,可以将其剔除。
第三,判断线的长度和斜率:对于车道线和路沿的线条,可以通过计算它们的长度和斜率来判断是否为异常数据。如果某一条线的长度过短或者斜率超过预定值,则认为其是异常数据,可以将其剔除。
第四,判断相邻点之间的连线是否合理:对于任意相邻两个点,其连线应该与其周围的点也连成一条线,如果相邻两点之间的连线与周围的连线有显著的区别,则说明该点是一个异常点。
作为本实施例的优选实施方式,所述将新采集的三维线条添加到车辆坐标系中与历史三维线条进行匹配,选择新采集三维线条与历史三维线条中距离最近的一条作为最优匹配对步骤的匹配原则为利用两条三维线条上点与点间的距离计算线与线间的距离,利用线与线间的距离来选择距离最接近的两条三维线条作为最优匹配对。
作为本实施例的优选实施方式,所述同时根据时间标记对所有线条数据进行跟踪标记并处理异常数据步骤具体为:
对新采集数据中未匹配上的线条新创建一个track目标,更新其状态为待初始化状态;
根据时间标记对已匹配上的线条跟踪其匹配次数;
对匹配次数达到一定阈值的线条为其分配一个track id,更新其状态为存活状态;
对历史数据中未匹配上的线条更新其未匹配次数;
对未匹配次数达到一定阈值的线条,更新其状态置为假死状态;
对假死状态持续到一定的周期的线条,更新其状态为死亡状态并销毁线条。
作为本实施例的优选实施方式,所述未匹配上或未检测到的目标车道线或路沿线则根据平行关系集合进行预测,或选择数据相近的历史车道线或路沿作为目标车道线或路沿步骤具体为:
当未检测到目标车道线或路沿线时,根据现行路段的历史数据及平行关系集合进行目标线预测;
当检测到目标车道线或路沿线但没有匹配上时,则通过现行路段的历史数据及平行关系集合进行目标线预测;
当目标线预测失败时,从现有地图骨架含有的线条中数据最为贴近目标线的一条作为最终的目标线。
在本实施例中,根据现行路段的历史数据及三维线条的平行关系集合进行目标车道线或路沿线预测的具体步骤如下:
收集现行路段的历史数据:获取该路段过去一段时间内的车道线或路沿线的数据,包括坐标、形状、长度、宽度等信息。可以使用传感器(如摄像头或激光雷达)对道路进行扫描,或通过车辆的导航记录等手段收集数据。
数据预处理:对收集的历史数据进行预处理,包括去除噪声、平滑数据等操作。可以使用滤波算法或拟合曲线的方法,使得数据更加准确和连续。
提取特征:从历史数据中提取特征,包括车道线或路沿线的形状、长度、宽度、曲率等信息。可以使用特征提取算法,如Hough变换、曲线拟合、曲率计算等方法。
构建模型:基于历史数据和提取的特征,构建目标车道线或路沿线的预测模型。可以选择机器学习算法(如支持向量机、决策树、神经网络等)或统计分析方法进行模型的训练。
预测目标车道线或路沿线:利用构建好的模型,对当前时刻的车辆位置和方向进行预测,得到目标车道线或路沿线的位置和形状。
融合和后处理:将预测的目标车道线或路沿线与实际采集的数据进行融合,使用滤波算法或插值算法对预测结果进行平滑处理,以获得更准确和连续的预测结果。
需要注意的是,预测目标车道线或路沿线的准确度和稳定性受到多种因素的影响,如数据质量、模型选择和参数调整等。因此,在实际应用中,需要根据具体的场景和需求,不断优化和调整预测模型,以提高预测的准确性和实用性。
作为本实施例的优选实施方式,所述目标道路清扫车的运行参数包括贴靠距离和运行方向。
作为本实施例的优选实施方式,所述导航数据包括导航线和曲率。
在本实施例中,导航数据是一种用于制定路线和提供导航指引的数据。导航数据包含的具体内容如下:
地理信息数据:导航数据包括道路网络、POI(兴趣点)、地标和地形数据等,以及与之相关的地理坐标(经度和纬度)信息。这些数据描述了地理空间的结构和属性,为导航系统提供路线规划和路径搜索功能。
道路属性数据:导航数据中包含道路的属性信息,例如道路名称、道路类型(高速公路、城市道路等)、车道数目、限速信息、是否单行道、是否有障碍物等。这些属性数据对于导航系统来说至关重要,以确保导航指引的准确性和可靠性。
路况数据:导航数据中还包括实时的路况信息,例如交通堵塞情况、事故、施工等。这些数据用于实时调整导航路线,使用户能够选择最佳路径,节省时间和燃料。
导航标志和转向指示数据:导航数据中还包括导航标志和转向指示的信息,用于向驾驶员提供正确的导航指引。这些数据可以包括道路标志、交叉口的出口指示、转弯箭头等,帮助驾驶员准确导航并做出正确的转向决策。
实施例二:
本实施例一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本发明任一实施例所述的一种针对道路清扫车的低成本车道线实时定位与建图方法。
实施例三:
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任一实施例所述的一种针对道路清扫车的低成本车道线实时定位与建图方法。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种针对道路清扫车的低成本车道线实时定位与建图方法,其特征在于,具体步骤包括:
实时采集车道线和路沿数据,并进行数据预处理;构建车辆坐标系,将预处理后的车道线和路沿数据变换成三维线条添加到车辆坐标系中;
根据车道线和路沿数据对应的时间戳结合底盘里程计的姿态变换序列,对三维线条进行时间标记;
将新采集的三维线条添加到车辆坐标系中与历史三维线条进行匹配,选择新采集三维线条与历史三维线条中距离最近的一条作为最优匹配对;同时根据时间标记对所有线条数据进行跟踪标记并处理异常数据;
根据筛选后的最优匹配对,通过预设权重将新采集的车道线和路沿数据与历史数据进行融合;并利用最小二乘法多项式拟合及采样的方法对融合后的数据进行平滑处理,获得实时的车道线和路沿地图骨架;
基于车道线和路沿地图骨架与三维线条的平行关系,构建各个线条间的平行关系集合;通过传感器感应路面线条并从中选择目标车道线或路沿线,根据目标车道线或路沿线数据与地图骨架中现有线条数据进行匹配,未匹配上或未检测到的目标车道线或路沿线则根据平行关系集合进行预测,或选择数据相近的历史车道线或路沿作为目标车道线或路沿;
根据选定目标线及地图骨架的相关数据构建实时感知地图,结合预设目标道路清扫车的运行参数生成实时导航数据并输出;
其中,根据时间标记对所有线条数据进行跟踪标记并处理异常数据步骤具体为:
对新采集数据中未匹配上的线条新创建一个track目标,更新其状态为待初始化状态;
根据时间标记对已匹配上的线条跟踪其匹配次数;
对匹配次数达到一定阈值的线条为其分配一个track id,更新其状态为存活状态;
对历史数据中未匹配上的线条更新其未匹配次数;
对未匹配次数达到一定阈值的线条,更新其状态置为假死状态;
对假死状态持续到一定的周期的线条,更新其状态为死亡状态并销毁线条。
2.根据权利要求1所述的一种针对道路清扫车的低成本车道线实时定位与建图方法,其特征在于,所述车道线和路沿数据包括二维数据和三维数据。
3.根据权利要求1所述的一种针对道路清扫车的低成本车道线实时定位与建图方法,其特征在于,所述数据预处理为利用几何方法过滤采集的车道线和路沿数据中的异常数据。
4.根据权利要求1所述的一种针对道路清扫车的低成本车道线实时定位与建图方法,其特征在于,所述将新采集的三维线条添加到车辆坐标系中与历史三维线条进行匹配,选择新采集三维线条与历史三维线条中距离最近的一条作为最优匹配对步骤的匹配原则为利用两条三维线条上点与点间的距离计算线与线间的距离,利用线与线间的距离来选择距离最接近的两条三维线条作为最优匹配对。
5.根据权利要求1所述的一种针对道路清扫车的低成本车道线实时定位与建图方法,其特征在于,所述未匹配上或未检测到的目标车道线或路沿线则根据平行关系集合进行预测,或选择数据相近的历史车道线或路沿作为目标车道线或路沿步骤具体为:
当未检测到目标车道线或路沿线时,根据现行路段的历史数据及平行关系集合进行目标线预测;
当检测到目标车道线或路沿线但没有匹配上时,则通过现行路段的历史数据及平行关系集合进行目标线预测;
当目标线预测失败时,从现有地图骨架含有的线条中数据最为贴近目标线的一条作为最终的目标线。
6.根据权利要求1所述的一种针对道路清扫车的低成本车道线实时定位与建图方法,其特征在于,所述目标道路清扫车的运行参数包括贴靠距离和运行方向。
7.根据权利要求1所述的一种针对道路清扫车的低成本车道线实时定位与建图方法,其特征在于,所述导航数据包括导航线和曲率。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一权利要求所述的一种针对道路清扫车的低成本车道线实时定位与建图方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7任一权利要求所述的一种针对道路清扫车的低成本车道线实时定位与建图方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311754415.3A CN117433512B (zh) | 2023-12-20 | 2023-12-20 | 一种针对道路清扫车的低成本车道线实时定位与建图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311754415.3A CN117433512B (zh) | 2023-12-20 | 2023-12-20 | 一种针对道路清扫车的低成本车道线实时定位与建图方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117433512A CN117433512A (zh) | 2024-01-23 |
CN117433512B true CN117433512B (zh) | 2024-03-08 |
Family
ID=89551978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311754415.3A Active CN117433512B (zh) | 2023-12-20 | 2023-12-20 | 一种针对道路清扫车的低成本车道线实时定位与建图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117433512B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109059954A (zh) * | 2018-06-29 | 2018-12-21 | 广东星舆科技有限公司 | 支持高精度地图车道线实时融合更新的方法和系统 |
CN109785667A (zh) * | 2019-03-11 | 2019-05-21 | 百度在线网络技术(北京)有限公司 | 车道偏离识别方法、装置、设备和存储介质 |
WO2019144458A1 (zh) * | 2018-01-23 | 2019-08-01 | 平安科技(深圳)有限公司 | 数据传输处理方法、装置、设备及计算机可读存储介质 |
WO2021056341A1 (zh) * | 2019-09-26 | 2021-04-01 | 深圳市大疆创新科技有限公司 | 车道线融合方法、车道线融合装置、车辆和存储介质 |
CN114724117A (zh) * | 2022-06-07 | 2022-07-08 | 腾讯科技(深圳)有限公司 | 车道线关键点数据生成方法、装置、电子设备及存储介质 |
CN114842436A (zh) * | 2022-04-24 | 2022-08-02 | 禾多科技(北京)有限公司 | 三维车道线生成方法、装置、电子设备和计算机可读介质 |
CN116994217A (zh) * | 2023-06-27 | 2023-11-03 | 广州文远知行科技有限公司 | 基于多源传感器的车道线检测方法及相关设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10670416B2 (en) * | 2016-12-30 | 2020-06-02 | DeepMap Inc. | Traffic sign feature creation for high definition maps used for navigating autonomous vehicles |
-
2023
- 2023-12-20 CN CN202311754415.3A patent/CN117433512B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019144458A1 (zh) * | 2018-01-23 | 2019-08-01 | 平安科技(深圳)有限公司 | 数据传输处理方法、装置、设备及计算机可读存储介质 |
CN109059954A (zh) * | 2018-06-29 | 2018-12-21 | 广东星舆科技有限公司 | 支持高精度地图车道线实时融合更新的方法和系统 |
CN109785667A (zh) * | 2019-03-11 | 2019-05-21 | 百度在线网络技术(北京)有限公司 | 车道偏离识别方法、装置、设备和存储介质 |
WO2021056341A1 (zh) * | 2019-09-26 | 2021-04-01 | 深圳市大疆创新科技有限公司 | 车道线融合方法、车道线融合装置、车辆和存储介质 |
CN114842436A (zh) * | 2022-04-24 | 2022-08-02 | 禾多科技(北京)有限公司 | 三维车道线生成方法、装置、电子设备和计算机可读介质 |
CN114724117A (zh) * | 2022-06-07 | 2022-07-08 | 腾讯科技(深圳)有限公司 | 车道线关键点数据生成方法、装置、电子设备及存储介质 |
CN116994217A (zh) * | 2023-06-27 | 2023-11-03 | 广州文远知行科技有限公司 | 基于多源传感器的车道线检测方法及相关设备 |
Non-Patent Citations (2)
Title |
---|
Cong Zhao 等."TrajGAT: A map-embedded graph attention network for real-time vehicle trajectory imputation of roadside perception".《Transportation Research Part C: Emerging Technologies》.2022,第142卷正文第103787页. * |
汪梓豪 等."基于单目视觉运动估计的周边多目标轨迹预测方法".《汽车工程》.2022,第44卷(第9期),正文第1318-1326页. * |
Also Published As
Publication number | Publication date |
---|---|
CN117433512A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3673407B1 (en) | Automatic occlusion detection in road network data | |
US10628671B2 (en) | Road modeling from overhead imagery | |
US11423677B2 (en) | Automatic detection and positioning of pole-like objects in 3D | |
EP3457085B1 (en) | Lane-centric road network model for navigation | |
US11790668B2 (en) | Automated road edge boundary detection | |
US10809073B2 (en) | Local window-based 2D occupancy grids for localization of autonomous vehicles | |
EP3271748B1 (en) | Guided geometry extraction for localization of a device | |
US11093759B2 (en) | Automatic identification of roadside objects for localization | |
US20200401145A1 (en) | Mapped driving paths for autonomous vehicle | |
WO2018068653A1 (zh) | 点云数据处理方法、装置及存储介质 | |
EP1857780B1 (en) | Dual road geometry representation for position and curvature-heading | |
US7552008B2 (en) | Populating geospatial database for onboard intelligent vehicle applications | |
US20170116477A1 (en) | Integration of positional data and overhead images for lane identification | |
EP3714394A1 (en) | Automatic localization geometry generator for stripe-shaped objects | |
US9983307B2 (en) | Method for providing information about at least one object in a surrounding region of a motor vehicle and system | |
US10928819B2 (en) | Method and apparatus for comparing relevant information between sensor measurements | |
CN109405841A (zh) | 用于参与地图异常检测和校正的方法和设备 | |
CN102208012A (zh) | 风景匹配参考数据生成系统及位置测量系统 | |
Ye et al. | Semi-automated generation of road transition lines using mobile laser scanning data | |
Rabe et al. | Ego-lane estimation for lane-level navigation in urban scenarios | |
US20200393253A1 (en) | Method for generating road map for autonomous vehicle navigation | |
Jo et al. | Hybrid local route generation combining perception and a precise map for autonomous cars | |
CN117433512B (zh) | 一种针对道路清扫车的低成本车道线实时定位与建图方法 | |
JP7344182B2 (ja) | 情報処理装置 | |
US11449543B2 (en) | Method, apparatus, and computer program product for vehicle localization via amplitude audio features |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |