CN117456496A - 地图车道边界线的处理方法和系统 - Google Patents

地图车道边界线的处理方法和系统 Download PDF

Info

Publication number
CN117456496A
CN117456496A CN202311800256.6A CN202311800256A CN117456496A CN 117456496 A CN117456496 A CN 117456496A CN 202311800256 A CN202311800256 A CN 202311800256A CN 117456496 A CN117456496 A CN 117456496A
Authority
CN
China
Prior art keywords
lane boundary
boundary line
data
data set
nodes
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.)
Granted
Application number
CN202311800256.6A
Other languages
English (en)
Other versions
CN117456496B (zh
Inventor
请求不公布姓名
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.)
Hozon New Energy Automobile Co Ltd
Original Assignee
Hozon New Energy Automobile 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 Hozon New Energy Automobile Co Ltd filed Critical Hozon New Energy Automobile Co Ltd
Priority to CN202311800256.6A priority Critical patent/CN117456496B/zh
Publication of CN117456496A publication Critical patent/CN117456496A/zh
Application granted granted Critical
Publication of CN117456496B publication Critical patent/CN117456496B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V20/56—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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding

Landscapes

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

Abstract

本发明公开了一种地图车道边界线的处理方法及系统，所述方法包括如下步骤：获取某一时刻的车辆的定位数据；根据所述定位数据选取地图信息中预设范围内的车道边界线的数据集，其中，所述数据集包括若干车道边界线的标识码以及预设坐标系下的每个车道边界线的端点坐标数据；遍历所述若干车道边界线的数据集并生成无向图，其中，所述无向图中的每个节点基于所述标识码对应于某个车道边界线，且在任意两个节点所对应的车道边界线的端点坐标数据符合预设条件时，为该两个节点设置连接关系；采用广度优先搜索算法对所述无向图中具有连接关系的节点进行检索，以将具有前后链接关系的车道边界线的数据集合并入同一个车道边界线的数据集。

Description

地图车道边界线的处理方法和系统
技术领域
本发明涉及智能驾驶系统，具体涉及一种用于智能辅助驾驶的地图车道边界线的处理方法、系统、电子设备和介质。
背景技术
高精地图（HD Map）是目前智能辅助驾驶主流方案中，不可缺少的依赖项。相对于普通导航的标准地图（SD Map），高精地图提供了更高精度、更丰富的几何信息与语义信息，应用于智能辅助驾驶的定位、规划、控制模块。
在传统的车辆定位中，卫星定位的精度比较低，只能达到米级，而智能辅助驾驶的定位精度要求是在厘米级。因此，基于高精地图的定位方式中，利用地图提供的先验车道线几何信息与传感器获取的车道线信息进行数据关联与匹配，构建优化问题，输出最优的位姿估计结果，以达到厘米级定位。
现有的高精地图由地图元素的实例级别的矢量化表示组成，其中，车道边界线的几何形状通常采用点串的方式表达，且每一条车道边界线赋予不同的标识码（ID）。智能辅助驾驶定位中，高精地图的车道边界线的数据集提供了地图匹配模块横向约束的先验信息，与环境感知提供的车道边界线观测数据点进行匹配和残差的构建。但是，由于高精地图车道边界线采用的是点串表达，道路边界线无法提供前后链接关系，当前同侧感知的车道边界线关联到的地图车道边界线可能是实际前后链接、但表达上确为分段的两条地图车道边界线，这对后续与感知车道边界线上的点对进行精匹配造成干扰，影响残差的构建和目标函数的优化。
发明内容
基于上述现状，本发明的主要目的在于提供一种地图车道边界线的处理方法、系统、电子设备和介质，通过对地图提供的车道边界线表达形式进行处理后得到无向图，基于无向图检索得到处于某一时刻的车辆预设范围内的具有前后链接关系的车道边界线，并将相应的车道边界线的数据集归入同一个标识码的车道边界线的数据集，有助于避免地图车道边界线和感知车道边界线在关联过程中的错误关联。
为实现上述目的，本发明采用的技术方案如下：
本发明的第一方面提供了一种地图车道边界线的处理方法，所述方法包括如下步骤：
获取某一时刻的车辆的定位数据；
根据所述定位数据选取地图信息中预设范围内的车道边界线的数据集，其中，所述数据集包括若干车道边界线的标识码以及预设坐标系下的每个车道边界线的端点坐标数据；
遍历所述若干车道边界线的数据集并生成无向图，其中，所述无向图中的每个节点基于所述标识码对应于某个车道边界线，且在任意两个节点所对应的车道边界线的端点坐标数据符合预设条件时，为该两个节点设置连接关系；
采用广度优先搜索算法对所述无向图中具有连接关系的节点进行检索，以将具有前后链接关系的车道边界线的数据集合并入同一个车道边界线的数据集。
优选地，所述根据所述定位数据选取地图信息中预设范围内的车道边界线的数据集，包括如下步骤：
接收包含所述车道边界线的数据集的地图信息；
选取所述车辆前方预设距离内的车道边界线的数据集；
将所述数据集加载入关联式容器，将所述车道边界线的标识码作为目标元素的键，并将所述车道边界线的端点坐标数据作为所述目标元素，所述目标元素包含车道边界线在预设坐标系下的起始点坐标和结束点坐标。
优选地，所述遍历所述若干车道边界线的数据集并生成无向图，包括如下步骤：
对所述关联式容器中的数据集进行重构，将每个车道边界线的结束点坐标作为目标元素的键，并将该车道边界线的所述标识码和起始点坐标作为所述目标元素；
设置分别对应于若干车道边界线的若干节点；
若某个车道边界线的起始点坐标与另一个车道边界线的结束点坐标相等，则连接所述某个车道边界线对应的节点与所述另一个车道边界线对应的节点。
优选地，所述采用广度优先搜索算法对所述无向图中具有连接关系的节点进行检索，包括如下步骤：
从所述无向图的若干节点中选取一个未被遍历过的节点，将该节点所对应的车道边界线作为第一边界线，并将所述第一边界线的结束点坐标作为参照值，对其他节点进行检索，若检索得到其他节点中任何一个节点所对应的车道边界线的起始点坐标等于所述参照值，则将检索得到的车道边界线的数据集合并入所述第一边界线的数据集中，
重复上述操作，直至完成对所有节点的遍历。
优选地，所述将检索得到的车道边界线的数据集合并入所述第一边界线的数据集中，包括如下步骤：
将所述检索得到的车道边界线作为第二边界线；
所述第一边界线的结束点坐标替换为所述第二边界线的结束点坐标；
所述第二边界线所对应的节点不再参与遍历。
优选地，所述根据所述定位数据选取地图信息中预设范围内的车道边界线的数据集，包括如下步骤：
基于高精地图获取所述地图信息，所述地图信息包括车道边界线的几何信息和拓扑信息。
本发明的第二方面提供了一种地图车道边界线的处理系统，所述系统包括：
获取单元，用于获取某一时刻的车辆的定位数据；
数据单元，用于根据所述定位数据选取地图信息中预设范围内的车道边界线的数据集，其中，所述数据集包括若干车道边界线的标识码以及预设坐标系下的每个车道边界线的端点坐标数据；
处理单元，用于遍历所述若干车道边界线的数据集并生成无向图，其中，所述无向图中的每个节点基于所述标识码对应于某个车道边界线，且在任意两个节点所对应的车道边界线的端点坐标数据符合预设条件时，为该两个节点设置连接关系；
所述处理单元，还用于采用广度优先搜索算法对所述无向图中具有连接关系的节点进行检索，以将具有前后链接关系的车道边界线的数据集合并入同一个车道边界线的数据集。
优选地，所述数据单元包括第一模块，用于接收包含所述车道边界线的数据集的地图信息，选取所述车辆前方预设距离内的车道边界线的数据集，以及
用于将所述数据集加载入关联式容器，将所述车道边界线的标识码作为目标元素的键，并将所述车道边界线的端点坐标数据作为所述目标元素，其中，所述目标元素包含车道边界线在预设坐标系下的起始点坐标和结束点坐标。
优选地，所述处理单元包括第二模块，用于对所述关联式容器中的数据集进行重构，将每个车道边界线的结束点坐标作为目标元素的键，并将该车道边界线的所述标识码和起始点坐标作为所述目标元素，以及
用于设置分别对应于若干车道边界线的若干节点，若某个车道边界线的起始点坐标与另一个车道边界线的结束点坐标相等，则连接所述某个车道边界线对应的节点与所述另一个车道边界线对应的节点。
优选地，所述处理单元包括第三模块，用于从所述无向图的若干节点中选取一个未被遍历过的节点，将该节点所对应的车道边界线作为第一边界线，以及
用于将所述第一边界线的结束点坐标作为参照值，对其他节点进行检索，若检索得到其他节点中任何一个节点所对应的车道边界线的起始点坐标等于所述参照值，则将检索得到的车道边界线的数据集合并入所述第一边界线的数据集中。
优选地，所述第三模块，还用于将所述检索得到的车道边界线作为第二边界线，以及
用于将所述第一边界线的结束点坐标替换为所述第二边界线的结束点坐标。
优选地，所述第一模块，还用于基于高精地图获取所述地图信息，所述地图信息包括车道边界线的几何信息和拓扑信息。
本发明的第三方面提供了一种电子设备，包括：处理器；以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，能够实现如上述第一方面所述的方法。
本发明的第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于运行以实现如上述第一方面所述的方法。
本发明与现有技术相比具有明显的优点和有益效果，其至少具有下列优点：
本发明的地图车道边界线的处理方法，通过对地图提供的车道边界线表达形式进行处理后得到无向图，基于无向图检索得到处于某一时刻的车辆预设范围内的具有前后链接关系的车道边界线，并将相应的车道边界线的数据集归入同一个标识码的车道边界线的数据集，有助于避免地图车道边界线和感知车道边界线在关联过程中的错误关联。所述方法对已有的地图车道边界线的几何表达形式进行抽象从而得到基于无向图的表达，对无向图中的节点进行遍历以检索得到具有前后链接关系的车道边界线，从而合并具有前后链接关系的车道边界线的数据集，用于作为同一个车道边界线表达，由此能够尽可能避免因地图车道边界线和感知车道边界线关联错误对车道边界线上匹配点对造成的干扰，有助减少对残差构建和目标函数优化的不利影响。
本发明的地图车道边界线的处理系统，根据车辆某一时刻的定位数据选取地图信息中的车道边界线的数据集，并将数据集的几何表达形式转换为无向图的表达方式，从而实现具有前后链接关系的地图车道边界线的数据集的合并，将这些具有前后链接关系的车道边界线的数据集归入同一个车道边界线表达，从而避免地图车道边界线和感知车道边界线的错误关联，有助于实现智能辅助驾驶。
本发明的电子设备和计算机可读存储介质，通过采用上述的方法，通过对地图提供的车道边界线表达形式进行处理后得到无向图，基于无向图检索得到处于某一时刻的车辆预设范围内的具有前后链接关系的车道边界线，并将相应的车道边界线的数据集归入同一个标识码的车道边界线的数据集，避免地图车道边界线和感知车道边界线在关联过程中的错误关联，有助于智能辅助驾驶的实现。
附图说明
图1为本发明的方法的一种优选实施方式的流程示意图；
图2为本发明的方法的一种优选实施方式的无向图的示意图；
图3为本发明的方法的一种优选实施方式的车道边界线的控制点的经合并处理的示意图；
图4为本发明的系统的一种优选实施方式的模块示意图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的方法、系统、电子设备和计算机可读存储介质，其具体实施方式、方法、步骤、特征及其功效，详细说明如后。
参见图1，一种地图车道边界线的处理方法，所述方法包括如下步骤：
S100，获取某一时刻的车辆的定位数据；
S200，根据所述定位数据选取地图信息中预设范围内的车道边界线的数据集，其中，所述数据集包括若干车道边界线的标识码以及预设坐标系下的每个车道边界线的端点坐标数据；
S300，遍历所述若干车道边界线的数据集并生成无向图，其中，所述无向图中的每个节点基于所述标识码对应于某个车道边界线，且在任意两个节点所对应的车道边界线的端点坐标数据符合预设条件时，为该两个节点设置连接关系；
S400，采用广度优先搜索算法对所述无向图中具有连接关系的节点进行检索，以将具有前后链接关系的车道边界线的数据集合并入同一个车道边界线的数据集。
具体地，关于步骤S100，在采用高精地图定位算法中，一般通过组合导航的初值确定车体导航坐标系，车辆在该车体导航坐标系下移动。为了实现组合导航位姿解算的累积误差以及偶发的位姿突变导致定位超出道路边沿后的故障预警，结合高精地图作为车辆定位的全局先验信息，用于实时检测车辆定位数据是否超出道路边沿。
关于步骤S200，根据步骤100得到的车辆的定位数据，从接收到的高精地图的地图信息中选取预设范围内的车道边界线的数据集，预设范围可以定义为车辆的某个方向的一定距离范围内。关于车道边界线的数据集，高精地图提供的地图信息的数据格式中包含车道边界线和道路边沿的几何信息和拓扑信息，其中，车道边界线的几何表示采用控制点的形式，即每一段地图车道边界线是由数量不固定的、分布不均匀的控制点表达而成。
一般而言，每一段地图车道边界线的表达形式可以为<key, value>键值对的数据结构，如下：
{key = ID, value = boundary_struct}，
其中，ID为一段地图车道边界线的标识码，boundary_struct为结构体，是一种自定义的数据类型，可用于存储多个不同类型的变量，boundary_struct包含一段地图车道边界线在设定导航坐标系下的端点坐标数据。例如，boundary_struct包含某段地图车道边界线在东北天坐标系（E-N-U）下的起始点坐标（start_point）和结束点坐标（end_point）。
关于步骤S300，根据选取到的车道边界线的数据集生成包含若干节点的无向图，其中，每个节点对应于一个车道边界线的标识码（ID），以此来表示该车道边界线，并且，对所有的节点进行遍历，若存在某两个节点所代表的车道边界线的端点坐标数据符合预设条件，例如，某个车道边界线的结束点坐标与另一个车道边界线的起始点坐标相等，则判定该两条车道边界线为前后链接关系，并在对应的两个节点之间形成一条边，最终得到的无向图，参见图2。
关于步骤S400，广度优先搜索算法（Breadth First Search）又称为宽度优先搜索或横向优先搜索，是一种图的搜索算法，可以理解为，从根节点开始沿着树的宽度遍历树的节点，直到发现目标节点为止，属于一种盲目搜寻法，目的是系统地展开并检查图中的所有节点，以找寻结果。基于无向图采用广度优先搜索算法将具有前后链接关系的车道边界线的数据集进行合并，由此将相关的控制点归入同一个车道边界线的数据集中。
通过上述步骤，对地图提供的车道边界线表达形式进行处理后得到无向图，基于无向图检索得到处于某一时刻的车辆预设范围内的具有前后链接关系的车道边界线，并将相应的车道边界线的数据集归入同一标识码的车道边界线的数据集，有助于避免地图车道边界线和感知车道边界线在关联过程中的错误关联，能够尽可能避免因地图车道边界线和感知车道边界线关联错误对车道边界线上匹配点对造成的干扰，有助减少对残差构建和目标函数优化的不利影响。
作为可选的实施例，所述步骤S200中，所述根据所述定位数据选取地图信息中预设范围内的车道边界线的数据集，包括如下步骤：
接收包含所述车道边界线的数据集的地图信息；
选取所述车辆前方预设距离内的车道边界线的数据集；
将所述数据集加载入关联式容器，将所述车道边界线的标识码作为目标元素的键，并将所述车道边界线的端点坐标数据作为所述目标元素，所述目标元素包含车道边界线在预设坐标系下的起始点坐标和结束点坐标。
具体地，在接收到的地图信息中，选取车辆前方一定距离范围内的车道边界线的数据集，例如，车辆前进方向约40米的范围内的多个车道边界线的数据集。
将选取到的车道边界线的数据集加载入关联式容器，其中，关联式容器存储的元素一般为多个键值对（<key, value>），如果已知目标元素的键的值，则直接通过该键即可找到目标元素，无需再遍历整个容器，通常默认根据各个元素的键值的大小做升序排列，其优点是能够很快找出一个具有某特性value的元素。
通过上述步骤，从地图信息中选取当前时刻下车辆前方一定距离范围内的车道边界线的数据集，并采用关联式容器用于存放键值对（<key, value>）的数据结构，可以方便快速的根据key查找到相应的value，用于后续对该范围内的地图车道边界线进行抽象和归纳，以建立无向图的表达形式。
作为上述实施例的进一步改进，所述关联式容器为Map容器，由此可以将车道边界线的标识码（ID）和端点坐标数据（例如，start_point和end_point）实现关联，便于查找和检索。
作为可选的实施例，所述步骤300中，所述遍历所述若干车道边界线的数据集并生成无向图，包括如下步骤：
对所述关联式容器中的数据集进行重构，将每个车道边界线的结束点坐标作为目标元素的键，并将该车道边界线的所述标识码和起始点坐标作为所述目标元素；
设置分别对应于若干车道边界线的若干节点；
若某个车道边界线的起始点坐标与另一个车道边界线的结束点坐标相等，则连接所述某个车道边界线对应的节点与所述另一个车道边界线对应的节点。
具体地，基于步骤S200得到的车道边界线的数据集，表达如下：
{key = ID, value = boundary_struct}，
式中，ID为车道边界线在地图信息中的标识码，boundary_struct为结构体并包含地图车道边界线在设定导航坐标系下的起始点坐标（start_point）和结束点坐标（end_point），
对关联式容器中的数据集的表达形式进行重构，将每个车道边界线的表达形式转换为如下：
{key = end_point, value = (ID, start_point)}，
式中，end_point和start_point分别为地图车道边界线在设定导航坐标系下的起始点坐标和结束点坐标，ID为车道边界线在地图信息中的标识码。
其中，关联式容器可以为Map容器，设定导航坐标系可以为东北天坐标系。
由此，对Map容器中的所有车道边界线的表达形式都重构为上述形式并添加入无向图中，无向图中的多个节点基于标识码与多个车道边界线一一对应，并且，若某个车道边界线的起始点坐标与另一个车道边界线的结束点坐标相等，则认为这两个车道边界线所对应的节点具有连接关系，并通过一条边进行连接，对所有的车道边界线的重构后的数据集进行遍历并得到无向图，参见图2。
通过上述步骤，基于地图车道边界线的数据集的重构后的表达形式，对应于每一段车道边界线在无向图中生成相应的节点，并在具有连接关系的节点之间设置边，从而实现对地图信息中的车道边界线的以几何表达形式的数据集的抽象，以用于后续具有前后链接关系的地图车道边界线的数据集的合并。
作为可选的实施例，所述步骤S400中，所述采用广度优先搜索算法对所述无向图中具有连接关系的节点进行检索，包括如下步骤：
从所述无向图的若干节点中选取一个未被遍历过的节点，将该节点所对应的车道边界线作为第一边界线，并将所述第一边界线的结束点坐标作为参照值，对其他节点进行检索，若检索得到其他节点中任何一个节点所对应的车道边界线的起始点坐标等于所述参照值，则将检索得到的车道边界线的数据集合并入所述第一边界线的数据集中，
重复上述操作，直至完成对所有节点的遍历。
具体地，从无向图中根据标识码选取第一个节点，通常是选取数值最小的标识码所对应的节点，以该节点所对应的车道边界线作为第一边界线，并将其结束点坐标作为参照值，对其他的节点的起始点坐标进行检索。
如若存在一个车道边界线的起始点坐标与参照值相等，则将检索到的这个车道边界线的数据集中的控制点数据加入到第一边界线所对应的车道边界线的数据集中，以构成第一边界线所对应的车道边界线的新的数据集；而如若某个车道边界线的起始点坐标不与参照值相等，则将这条车道边界线所对应的节点设置为已检索，并加入到后续遍历中，直至完成Map容器中所有地图车道边界线的检索。
通过上述步骤，结合广度优先搜索算法对无向图中的节点进行遍历，以检索得到具有前后链接关系的地图车道边界线，从而可以将具有前后链接关系的地图车道边界线的数据集进行合并，以作为同一地图车道边界线表达，充分利用了图的理论性质，基于高效的搜索算法，从而实现具有前后链接关系的地图车道边界线的合并处理。
作为上述实施例的进一步改进，所述将检索得到的车道边界线的数据集合并入所述第一边界线的数据集中，包括如下步骤：
将所述检索得到的车道边界线作为第二边界线；
所述第一边界线的结束点坐标替换为所述第二边界线的结束点坐标；
所述第二边界线所对应的节点不再参与遍历。
具体地，参见图3，两段地图车道边界线boundary_line_1和boundary_line_2，其标识码（ID）分别为1和2，其中，ID为1的地图车道边界线的数据集包括起始点坐标（start_point_1）、结束点坐标（end_point_1）以及若干控制点，ID为2的地图车道边界线的数据集包括起始点坐标（start_point_2）、结束点坐标（end_point_2）以及若干控制点。在无向图的节点遍历过程中，检索得到ID为2的地图车道边界线的数据集包括起始点坐标（start_point_2）与ID为1的地图车道边界线的起始点坐标（start_point_1）相等，则将这两条地图车道边界线的数据集进行合并，并作为ID为1的地图车道边界线的新的数据集。合并后的ID为2的地图车道边界线所对应的节点不再参与后续的遍历，其相应的标识码（ID为2）也不再进行使用。
通过上述步骤，基于广度优先搜索算法对无向图中多个节点的遍历和检索，将具有前后链接关系的地图车道边界线的数据集进行合并，这为用于智能辅助驾驶车辆定位提供了一种车道边界线连续性合并的后处理方法，将地图车道边界线的几何表达进行抽象归纳，使得具有前后链接关系的地图车道边界线合并为同一车道边界线表达，能有效解决地图车道边界线和感知车道边界线在关联过程中可能出现的问题，例如两段地图车道边界线同时与感知车道边界线关联，从而减少对关联车道边界线上匹配点对寻找、残差构建以及目标函数优化的不利影响。
作为可选的实施例，所述步骤S200中，所述根据所述定位数据选取地图信息中预设范围内的车道边界线的数据集，包括如下步骤：
基于高精地图获取所述地图信息，所述地图信息包括车道边界线的几何信息和拓扑信息。
一般来说，高精地图提供的地图信息的数据格式中包含车道边界线和道路边沿的几何信息和拓扑信息，其中，车道边界线的几何表示采用控制点的形式，即每一段地图车道边界线是由数量不固定的、分布不均匀的控制点表达而成。
通过组合导航得到的车体导航坐标系与局部东北天坐标系（E-N-U）相对位姿转换关系，将地图车道边界线的控制点转换到车体导航坐标系下，接着利用两侧道路边界线的几何点拟合曲线，根据两侧曲线方程的截距值判断由高精地图得到的车辆定位数据结果是否超出道路边沿。
参见图4，一种地图车道边界线的处理系统，所述系统包括：
获取单元，用于获取某一时刻的车辆的定位数据；
数据单元，用于根据所述定位数据选取地图信息中预设范围内的车道边界线的数据集，其中，所述数据集包括若干车道边界线的标识码以及预设坐标系下的每个车道边界线的端点坐标数据；
处理单元，用于遍历所述若干车道边界线的数据集并生成无向图，其中，所述无向图中的每个节点基于所述标识码对应于某个车道边界线，且在任意两个节点所对应的车道边界线的端点坐标数据符合预设条件时，为该两个节点设置连接关系；
所述处理单元，还用于采用广度优先搜索算法对所述无向图中具有连接关系的节点进行检索，以将具有前后链接关系的车道边界线的数据集合并入同一个车道边界线的数据集。
由此，能够根据车辆某一时刻的定位数据选取地图信息中的车道边界线的数据集，并将数据集的几何表达形式转换为无向图的表达方式，从而实现具有前后链接关系的地图车道边界线的数据集的合并，将这些具有前后链接关系的车道边界线的数据集归入同一个车道边界线表达，从而避免地图车道边界线和感知车道边界线的错误关联，有助于实现智能辅助驾驶。
作为可选的实施例，所述数据单元包括第一模块，用于接收包含所述车道边界线的数据集的地图信息，选取所述车辆前方预设距离内的车道边界线的数据集，以及
用于将所述数据集加载入关联式容器，将所述车道边界线的标识码作为目标元素的键，并将所述车道边界线的端点坐标数据作为所述目标元素，其中，所述目标元素包含车道边界线在预设坐标系下的起始点坐标和结束点坐标。
由此，所述系统能够从地图信息中选取当前时刻下车辆前方一定距离范围内的车道边界线的数据集，并采用关联式容器用于存放键值对（<key, value>）的数据结构，可以方便快速的根据key查找到相应的value，用于后续对该范围内的地图车道边界线进行抽象和归纳，以建立无向图的表达形式。
作为可选的实施例，所述处理单元包括第二模块，用于对所述关联式容器中的数据集进行重构，将每个车道边界线的结束点坐标作为目标元素的键，并将该车道边界线的所述标识码和起始点坐标作为所述目标元素，以及
用于设置分别对应于若干车道边界线的若干节点，若某个车道边界线的起始点坐标与另一个车道边界线的结束点坐标相等，则连接所述某个车道边界线对应的节点与所述另一个车道边界线对应的节点。
由此，所述系统能够基于地图车道边界线的数据集的重构后的表达形式，对应于每一段车道边界线在无向图中生成相应的节点，并在具有连接关系的节点之间设置边，从而实现对地图信息中的车道边界线的以几何表达形式的数据集的抽象，以用于后续具有前后链接关系的地图车道边界线的数据集的合并。
作为可选的实施例，所述处理单元包括第三模块，用于从所述无向图的若干节点中选取一个未被遍历过的节点，将该节点所对应的车道边界线作为第一边界线，以及
用于将所述第一边界线的结束点坐标作为参照值，对其他节点进行检索，若检索得到其他节点中任何一个节点所对应的车道边界线的起始点坐标等于所述参照值，则将检索得到的车道边界线的数据集合并入所述第一边界线的数据集中。
由此，所述系统结合广度优先搜索算法对无向图中的节点进行遍历，以检索得到具有前后链接关系的地图车道边界线，从而可以将具有前后链接关系的地图车道边界线的数据集进行合并，以作为同一个地图车道边界线表达，充分利用了图的理论性质，基于高效的搜索算法，从而实现具有前后链接关系的地图车道边界线的合并处理。
作为可选的实施例，所述第三模块，还用于将所述检索得到的车道边界线作为第二边界线，以及
用于将所述第一边界线的结束点坐标替换为所述第二边界线的结束点坐标。
由此，所述系统能够基于广度优先搜索算法对无向图中多个节点的遍历和检索，将具有前后链接关系的地图车道边界线的数据集进行合并，这为用于智能辅助驾驶车辆定位提供了一种车道边界线连续性合并的后处理方法，将地图车道边界线的几何表达进行抽象归纳，使得具有前后链接关系的地图车道边界线合并为同一个车道边界线表达形式，能有效解决地图车道边界线和感知车道边界线在关联过程中可能出现的问题，例如两段地图车道边界线同时与感知车道边界线关联，从而减少对关联车道边界线上匹配点对寻找、残差构建以及目标函数优化的不利影响。
作为可选的实施例，所述第一模块，还用于基于高精地图获取所述地图信息，所述地图信息包括车道边界线的几何信息和拓扑信息。
其中，车道边界线的几何表示采用控制点的形式，即每一段地图车道边界线是由数量不固定的、分布不均匀的控制点表达而成。
由此，通过组合导航得到的车体导航坐标系与局部东北天坐标系（E-N-U）相对位姿转换关系，将地图车道边界线的控制点转换到车体导航坐标系下，接着利用两侧道路边界线的几何点拟合曲线，根据两侧曲线方程的截距值判断由高精地图得到的车辆定位数据结果是否超出道路边沿。
本发明还提供了一种电子设备，包括：处理器；以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，能够实现如上述实施例所述的方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于运行以实现如上述实施例所述的方法。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (14)

1.一种地图车道边界线的处理方法，其特征在于，所述方法包括如下步骤：
获取某一时刻的车辆的定位数据；
根据所述定位数据选取地图信息中预设范围内的车道边界线的数据集，其中，所述数据集包括若干车道边界线的标识码以及预设坐标系下的每个车道边界线的端点坐标数据；
遍历所述若干车道边界线的数据集并生成无向图，其中，所述无向图中的每个节点基于所述标识码对应于某个车道边界线，且在任意两个节点所对应的车道边界线的端点坐标数据符合预设条件时，为该两个节点设置连接关系；
采用广度优先搜索算法对所述无向图中具有连接关系的节点进行检索，以将具有前后链接关系的车道边界线的数据集合并入同一个车道边界线的数据集。
2.如权利要求1所述的方法，其特征在于，所述根据所述定位数据选取地图信息中预设范围内的车道边界线的数据集，包括如下步骤：
接收包含所述车道边界线的数据集的地图信息；
选取所述车辆前方预设距离内的车道边界线的数据集；
将所述数据集加载入关联式容器，将所述车道边界线的标识码作为目标元素的键，并将所述车道边界线的端点坐标数据作为所述目标元素，所述目标元素包含车道边界线在预设坐标系下的起始点坐标和结束点坐标。
3.如权利要求2所述的方法，其特征在于，所述遍历所述若干车道边界线的数据集并生成无向图，包括如下步骤：
对所述关联式容器中的数据集进行重构，将每个车道边界线的结束点坐标作为目标元素的键，并将该车道边界线的所述标识码和起始点坐标作为所述目标元素；
设置分别对应于若干车道边界线的若干节点；
若某个车道边界线的起始点坐标与另一个车道边界线的结束点坐标相等，则连接所述某个车道边界线对应的节点与所述另一个车道边界线对应的节点。
4.如权利要求1所述的方法，其特征在于，所述采用广度优先搜索算法对所述无向图中具有连接关系的节点进行检索，包括如下步骤：
从所述无向图的若干节点中选取一个未被遍历过的节点，将该节点所对应的车道边界线作为第一边界线，并将所述第一边界线的结束点坐标作为参照值，对其他节点进行检索，若检索得到其他节点中任何一个节点所对应的车道边界线的起始点坐标等于所述参照值，则将检索得到的车道边界线的数据集合并入所述第一边界线的数据集中，
重复上述操作，直至完成对所有节点的遍历。
5.如权利要求4所述的方法，其特征在于，所述将检索得到的车道边界线的数据集合并入所述第一边界线的数据集中，包括如下步骤：
将所述检索得到的车道边界线作为第二边界线；
所述第一边界线的结束点坐标替换为所述第二边界线的结束点坐标；
所述第二边界线所对应的节点不再参与遍历。
6.如权利要求1所述的方法，其特征在于，所述根据所述定位数据选取地图信息中预设范围内的车道边界线的数据集，包括如下步骤：
基于高精地图获取所述地图信息，所述地图信息包括车道边界线的几何信息和拓扑信息。
7.一种地图车道边界线的处理系统，其特征在于，所述系统包括：
获取单元，用于获取某一时刻的车辆的定位数据；
数据单元，用于根据所述定位数据选取地图信息中预设范围内的车道边界线的数据集，其中，所述数据集包括若干车道边界线的标识码以及预设坐标系下的每个车道边界线的端点坐标数据；
处理单元，用于遍历所述若干车道边界线的数据集并生成无向图，其中，所述无向图中的每个节点基于所述标识码对应于某个车道边界线，且在任意两个节点所对应的车道边界线的端点坐标数据符合预设条件时，为该两个节点设置连接关系；
所述处理单元，还用于采用广度优先搜索算法对所述无向图中具有连接关系的节点进行检索，以将具有前后链接关系的车道边界线的数据集合并入同一个车道边界线的数据集。
8.如权利要求7所述的系统，其特征在于，所述数据单元包括第一模块，用于接收包含所述车道边界线的数据集的地图信息，选取所述车辆前方预设距离内的车道边界线的数据集，以及
用于将所述数据集加载入关联式容器，将所述车道边界线的标识码作为目标元素的键，并将所述车道边界线的端点坐标数据作为所述目标元素，其中，所述目标元素包含车道边界线在预设坐标系下的起始点坐标和结束点坐标。
9.如权利要求8所述的系统，其特征在于，所述处理单元包括第二模块，用于对所述关联式容器中的数据集进行重构，将每个车道边界线的结束点坐标作为目标元素的键，并将该车道边界线的所述标识码和起始点坐标作为所述目标元素，以及
用于设置分别对应于若干车道边界线的若干节点，若某个车道边界线的起始点坐标与另一个车道边界线的结束点坐标相等，则连接所述某个车道边界线对应的节点与所述另一个车道边界线对应的节点。
10.如权利要求7所述的系统，其特征在于，所述处理单元包括第三模块，用于从所述无向图的若干节点中选取一个未被遍历过的节点，将该节点所对应的车道边界线作为第一边界线，以及
用于将所述第一边界线的结束点坐标作为参照值，对其他节点进行检索，若检索得到其他节点中任何一个节点所对应的车道边界线的起始点坐标等于所述参照值，则将检索得到的车道边界线的数据集合并入所述第一边界线的数据集中。
11.如权利要求10所述的系统，其特征在于，所述第三模块，还用于将所述检索得到的车道边界线作为第二边界线，以及
用于将所述第一边界线的结束点坐标替换为所述第二边界线的结束点坐标。
12.如权利要求8所述的系统，其特征在于，所述第一模块，还用于基于高精地图获取所述地图信息，所述地图信息包括车道边界线的几何信息和拓扑信息。
13. 一种电子设备，其特征在于，包括：
处理器；以及
存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，能够实现如权利要求1至6任一项所述的方法。
14.一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，所述计算机程序用于运行以实现如权利要求1至6任一项所述的方法。
CN202311800256.6A 2023-12-25 2023-12-25 地图车道边界线的处理方法和系统 Active CN117456496B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311800256.6A CN117456496B (zh) 2023-12-25 2023-12-25 地图车道边界线的处理方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311800256.6A CN117456496B (zh) 2023-12-25 2023-12-25 地图车道边界线的处理方法和系统

Publications (2)

Publication Number Publication Date
CN117456496A true CN117456496A (zh) 2024-01-26
CN117456496B CN117456496B (zh) 2024-03-22

Family

ID=89586012

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311800256.6A Active CN117456496B (zh) 2023-12-25 2023-12-25 地图车道边界线的处理方法和系统

Country Status (1)

Country Link
CN (1) CN117456496B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180273031A1 (en) * 2015-09-30 2018-09-27 Nissan Motor Co., Ltd. Travel Control Method and Travel Control Apparatus
JP2018200501A (ja) * 2017-05-25 2018-12-20 日産自動車株式会社 車線情報出力方法および車線情報出力装置
US20200117922A1 (en) * 2018-08-06 2020-04-16 Wuhhan Kotel Big Date Corporation Method, system and memory for constructing transverse topological relationship of lanes in high-definition map
CN113157842A (zh) * 2021-04-13 2021-07-23 中移智行网络科技有限公司 一种地图生成方法、装置、电子设备及可读存储介质
FR3106918A1 (fr) * 2020-01-30 2021-08-06 Renault S.A.S Procédé et dispositif de reconstruction des voies
CN115631476A (zh) * 2022-10-19 2023-01-20 重庆长安汽车股份有限公司 一种车道数据处理方法、系统、电子设备及存储介质
CN116080687A (zh) * 2023-02-27 2023-05-09 重庆长安汽车股份有限公司 一种预测轨迹后处理方法、系统、设备和介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109542994B (zh) * 2018-11-19 2021-07-06 禾多科技（北京）有限公司 自动驾驶高精度地图的车道拾取算法
CN112880693A (zh) * 2019-11-29 2021-06-01 北京市商汤科技开发有限公司 地图生成方法、定位方法、装置、设备及存储介质
CN117249839A (zh) * 2023-08-17 2023-12-19 宁波路特斯机器人有限公司 一种车道线地图生成方法、装置、设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180273031A1 (en) * 2015-09-30 2018-09-27 Nissan Motor Co., Ltd. Travel Control Method and Travel Control Apparatus
JP2018200501A (ja) * 2017-05-25 2018-12-20 日産自動車株式会社 車線情報出力方法および車線情報出力装置
US20200117922A1 (en) * 2018-08-06 2020-04-16 Wuhhan Kotel Big Date Corporation Method, system and memory for constructing transverse topological relationship of lanes in high-definition map
FR3106918A1 (fr) * 2020-01-30 2021-08-06 Renault S.A.S Procédé et dispositif de reconstruction des voies
CN113157842A (zh) * 2021-04-13 2021-07-23 中移智行网络科技有限公司 一种地图生成方法、装置、电子设备及可读存储介质
CN115631476A (zh) * 2022-10-19 2023-01-20 重庆长安汽车股份有限公司 一种车道数据处理方法、系统、电子设备及存储介质
CN116080687A (zh) * 2023-02-27 2023-05-09 重庆长安汽车股份有限公司 一种预测轨迹后处理方法、系统、设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王灿;孔斌;杨静;王智灵;祝辉;: "基于三维激光雷达的道路边界提取和障碍物检测算法", 模式识别与人工智能, no. 04, 15 April 2020 (2020-04-15) *

Also Published As

Publication number Publication date
CN117456496B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
Grisetti et al. Nonlinear constraint network optimization for efficient map learning
CN114236552B (zh) 基于激光雷达的重定位方法及系统
US10614600B2 (en) Graph based topological map matching
CN106767836B (zh) 一种auv地形匹配导航滤波方法
CN110119144B (zh) 基于子地图特征匹配的多机器人slam算法
CN109214314B (zh) 一种车道线自动融合匹配算法
CN105091889A (zh) 一种热点路径的确定方法及设备
CN112084289B (zh) 一种轨迹融合方法及装置
CN114004155B (zh) 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置
CN115435803A (zh) 车辆的全局路网规划方法、装置、车辆及存储介质
CN115544088A (zh) 地址信息查询方法、装置、电子设备及存储介质
CN112033418A (zh) 一种离线地图匹配方法
Huang et al. An incremental map matching approach with speed estimation constraints for high sampling rate vehicle trajectories
CN117456496B (zh) 地图车道边界线的处理方法和系统
CN112767545A (zh) 一种点云地图构建方法、装置、设备及计算机存储介质
CN112463899A (zh) 一种车辆轨迹点纠偏方法、系统、服务器和存储介质
CN115683139A (zh) 一种车载地图路径规划方法、系统、电子设备及存储介质
CN116383321A (zh) 决策环境构建方法、装置、车辆及存储介质
CN115388878A (zh) 一种地图构建方法、装置及终端设备
CN115963508A (zh) 激光雷达和imu的紧耦合slam方法及系统
CN108763817B (zh) 一种基于最小二乘法建模的电力地下管网匹配方法
Yun et al. Using self-organizing map for road network extraction from ikonos imagery
Stankutė et al. An integrative approach to geospatial data fusion
CN117432949B (zh) 管道巡检机器人的导航方法及装置、存储介质、终端
CN115951379B (zh) 基于gnss系统的厘米级定位纠偏方法

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
GR01 Patent grant
GR01 Patent grant