CN117475399B - 车道线拟合方法、电子设备及可读介质 - Google Patents
车道线拟合方法、电子设备及可读介质 Download PDFInfo
- Publication number
- CN117475399B CN117475399B CN202311820464.2A CN202311820464A CN117475399B CN 117475399 B CN117475399 B CN 117475399B CN 202311820464 A CN202311820464 A CN 202311820464A CN 117475399 B CN117475399 B CN 117475399B
- Authority
- CN
- China
- Prior art keywords
- point
- observation
- lane line
- points
- reference curve
- 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 62
- 238000005070 sampling Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 15
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- 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
-
- 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
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/53—Road markings, e.g. lane marker or crosswalk
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Abstract
本申请的实施方式提供了一种车道线拟合方法、电子设备及可读介质,涉及人工智能领域,尤其涉及智能驾驶技术领域。该方法包括:根据多个连续的控制点的初始坐标,确定用于表示车道线的形状的第一参考曲线,其中,控制点的初始坐标是基于车道线的点云数据确定的;基于点云数据确定多个用于表征点云数据与第一参考曲线之间的一致性的观测点;以及根据观测点与控制点之间的残差约束关系对控制点的初始坐标进行优化,根据优化后得到的控制点的目标坐标确定用于表示车道线的形状的目标参考曲线。本申请的车道线拟合方法能够直观有效的拟合车道线的不同形状,并且拟合得到的曲线与车道线的点云数据更加一致。
Description
技术领域
本申请涉及智能驾驶技术领域,尤其涉及一种车道线拟合方法、电子设备及可读介质。
背景技术
为了保证自动驾驶车辆在行驶过程中的安全性,通常要求对车道线的走向和形状有准确的感知。车道线拟合技术是自动驾驶感知识别和制作高精地图的基础。利用车道线检测技术,对车载相机拍摄的图像或者雷达传感器采集的三维点云图进行预处理后,通过车道线拟合获取车道线的走向和形状。
相关技术中车道线拟合主要包括参数化模型和最优化计算两部分。目前常见的几类参数化模型有:三次多项式、螺旋线、贝塞尔曲线。其中,多项式拟合、螺旋线拟合这两类参数化模型对于曲线拟合的适用性不高,对于复杂形状的曲线无法拟合;而贝塞尔曲线模型的控制点并不经过贝塞尔曲线本身,因而在应用中拟合效果不够直观。
发明内容
本申请提供的技术方案至少部分地解决了以上的技术问题。
根据本申请的第一方面提供了一种车道线拟合方法,包括:根据多个连续的控制点的初始坐标,确定用于表示车道线的形状的第一参考曲线,其中,控制点的初始坐标是基于车道线的点云数据确定的;基于点云数据确定多个用于表征点云数据与第一参考曲线之间的一致性的观测点;以及根据观测点与控制点之间的残差约束关系对控制点的初始坐标进行优化,根据优化后得到的控制点的目标坐标确定用于表示车道线的形状的目标参考曲线。
在一些实施方式中,根据观测点与控制点之间的残差约束关系对控制点的初始坐标进行优化包括:构建GTSAM因子图,其中,以每个控制点的初始坐标作为因子图的变量节点,以每个观测点的坐标作为因子图的观测因子;以及基于所构建的GTSAM因子图,根据观测点与控制点之间的残差约束关系对控制点的初始坐标进行优化。
在一些实施方式中,基于所构建的GTSAM因子图,根据观测点与控制点之间的残差约束关系对控制点的初始坐标进行优化包括:基于所构建的GTSAM因子图,确定每个观测点到第一参考曲线的距离,以距离作为残差;以及根据残差约束关系更新控制点的坐标值,根据更新的坐标值更新第一参考曲线,并根据更新的第一参考曲线重新确定距离以迭代计算残差,直至残差收敛至预定的最小值,将控制点的当前坐标作为优化后的控制点的目标坐标。
在一些实施方式中,观测点与控制点之间的残差约束关系为观测点对控制点的雅克比矩阵。
在一些实施方式中,多个连续的控制点包括第一端点和第二端点,以及位于第一端点和第二端点之间的第一中间点和第二中间点,其中第一中间点表示车道线形状的起点,第二中间点表示车道线形状的终点。
在一些实施方式中,上述方法还包括:基于车道线的点云数据确定多个连续的控制点的初始坐标,包括:从车道线的点云数据中选择一个起点数据和一个终点数据分别作为控制点中的第一中间点和第二中间点的初始坐标;以及将第一中间点和第二中间点分别向外侧延伸预设长度,得到第一端点和第二端点的初始坐标。
在一些实施方式中,上述方法还包括:在因子图中,针对第一中间点和第二中间点添加先验约束因子。
在一些实施方式中,计算每个观测点到对应的折线段的距离,包括:响应于有多个观测点对应于同一条折线段,选择多个观测点中的一个,计算观测点到对应的折线段的距离。
在一些实施方式中,车道线的点云数据包括:基于自动驾驶车辆的雷达感知的三维点云图投影到地面所得到的车道线的二维点云集。
根据本申请的第二方面还提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本申请第一方面的方法。
根据本申请的第三方面还提供了一种计算机可读介质,其上存储有机器可执行指令,机器可执行指令在被执行时使机器执行根据本申请第一方面的方法。
根据本申请的实施例提供的车道线拟合方法、电子设备及可读介质,利用车道线的点云数据作为观测点对表示车道线形状的初始参考曲线进行约束,并根据观测点与控制点的残差约束关系对控制点的坐标值进行优化,根据优化后的控制点的坐标值确定出更符合实际点云数据的参考曲线,从而使得车道线形状的拟合效果和精准度大为提升。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,并不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案,不构成对本申请的限定。在附图中:
图1是根据可以应用本申请实施方式提供的车道线拟合方法的示例性系统架构图;
图2是根据本申请的车道线拟合方法的一个实施例的流程示意图;
图3是根据本申请的车道线拟合方法的另一实施例的流程示意图;
图4是根据本申请的实施例的车道线形状的多个连续的控制点的示意图;
图5A是根据本申请的一些实施方式的未添加先验约束因子的车道线拟合效果示意图;
图5B是根据本申请的实施例的添加先验约束因子的车道线拟合效果示意图;
图6是根据本申请的实施例的对控制点添加先验约束因子的示意图;
图7是根据本申请的实施例的观测点到第一参考曲线的折线段的距离的示意图;
图8是根据本申请的实施例的车道线拟合方法的实际拟合效果示意图;以及
图9是根据本申请的实施例的电子设备的组成示意图。
实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的车道线拟合方法或装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括自动驾驶车辆101,网络102和服务器103。网络102用以在自动驾驶车辆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。
自动驾驶车辆101上可以安装有各种传感器,例如相机传感器、激光雷达传感器等。
服务器103可以提供各种服务。例如,服务器103可以对从自动驾驶车辆101获取的激光点云数据信息进行分析和处理,并生成处理结果。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器103为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的车道线拟合方法一般由服务器103执行,相应地,车道线拟合电子设备一般设置于服务器103中。
应该理解,图1中的自动驾驶车辆、网络和服务器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自动驾驶车辆、网络和服务器。
图2示出了根据本申请的车道线拟合方法的一个实施例的流程200。该车道线拟合方法200可包括以下步骤:
步骤201,根据多个连续的控制点的初始坐标,确定用于表示车道线的形状的第一参考曲线。
在本实施例中,车道线拟合方法的执行主体(例如图1所示的服务器103)可以根据多个连续的控制点的初始坐标值,通过参数模型来拟合得到第一参考曲线。该第一参考曲线可用于表示车道线的形状。即该第一参考曲线的大致形状将由这些控制点予以控制。
在示例性实施方式中,上述多个连续的控制点的初始坐标值可以基于车道线的点云数据来确定。示例性地,上述执行主体可获取自动驾驶车辆的雷达(例如激光雷达)采集的激光点云,该激光点云为三维点云图。一般而言,自动驾驶车辆上安装有多个传感器,例如激光雷达和相机传感器,用于采集和感知周围环境的信息。相机传感器可用于采集当前环境的图像。激光雷达对地面扫描获得地面反射点的三维坐标,每个地面反射点按三维坐标以点的形式分布在三维空间中,称为扫描点。激光点云为扫描点的集合。
在一些实施方式中,上述执行主体还可将感知的车道线的三维点云图投影到地面,得到车道线的点云数据,该点云数据可以是转到UTM(Universal TransverseMercator,通用横墨卡托网格系统)或者Odom坐标系(里程计坐标系)下的二维点云集。进而可根据车道线的二维点云集确定多个连续的控制点的初始坐标。
在一些实施方式中,可以基于Catmull-Rom(卡特穆尔-罗姆)曲线作为基本参数模型,根据确定的多个控制点的初始坐标,来生成经过控制点的曲线段,作为表示车道线形状的第一参考曲线。该第一参考曲线可视为初始参考曲线。需要说明的是,本申请的实施方式中并不限定参数模型只能采用Catmull-Rom曲线,也可以采用其他多种参数模型。
步骤202,基于车道线的点云数据确定多个用于表征点云数据与第一参考曲线之间的一致性的观测点。
在本实施例中,上述执行主体基于车道线的点云数据确定多个观测点,这些观测点用于表征点云数据与第一参考曲线之间的一致性。
示例性地,可以基于UTM坐标系下投影到地面的车道线的二维点云数据确定多个离散的观测点,并用这些观测点到第一参考曲线的距离来量化点云数据与第一参考曲线之间的差异。
步骤203,根据观测点与控制点之间的残差约束关系对控制点的初始坐标进行优化,并根据优化后得到的控制点的目标坐标确定用于表示车道线的形状的目标参考曲线。
在本实施例中,可以基于确定的观测点构建约束项,通过优化控制点的坐标来对第一参考曲线进行约束调整。具体地,可以通过构建因子图(Factor Graph)模型实现对控制点坐标的优化,进而根据优化后的控制点的坐标确定出表示车道线形状的目标参考曲线。
具体地,关于因子图模型的构建,因子图是由顶点(变量)和因子(边)构成。因子图中的每一个顶点是一个代求的变量(variables)。因子(factors)是因子图中的边,每条边都可以视为一个因子,每个因子又可以认为是一个约束。而求解因子图的最优解的过程就是如何设置变量,使得整个图最符合所有的约束。
示例性地,上述执行主体可通过构建GTSAM非线性因子图,并将多个连续的控制点的坐标作为待优化的变量节点,将观测点的坐标作为观测因子,以每个观测点到第一参考曲线的距离作为因子的残差;根据建立的观测点与所述控制点之间的残差约束关系,确定控制点坐标的调整方向,对控制点当前的坐标值进行更新;根据更新后的控制点的坐标值更新第一参考曲线,并根据更新的第一参考曲线重新求取残差(即观测点到该更新的第一参考曲线的距离),如此不断迭代优化,直到残差值收敛至预定的最小值,完成对控制点坐标的优化,并以控制点的当前坐标作为优化后的目标坐标,通过参数模型确定出表示车道线形状的目标参考曲线。
根据本实施例的车道线拟合方法,利用车道线的点云数据作为观测点对表示车道线形状的第一参考曲线进行约束,根据观测点与控制点的残差约束关系对控制点的坐标值进行优化,并根据优化后的控制点的坐标值确定出更符合实际点云数据的目标参考曲线,从而使得车道线形状的拟合效果大为提升。
图3示出了根据本申请的车道线拟合方法的另一个实施例的流程300。
如图3所示,该车道线拟合方法300包括以下步骤:
步骤301,获取车道线的点云数据。
在本实施例中,车道线拟合方法的执行主体(例如图1所示的服务器103)可基于自动驾驶车辆的激光雷达感知的车道线的三维激光点云,将三维激光点云投影到地面,并转换至UTM或者Odom坐标系下,得到车道线的二维点云数据。
步骤302,基于车道线的点云数据确定多个连续的控制点的初始坐标。
结合图4所示,本实施例中通过四个连续的控制点P0,P1>,P2和P3来控制当前路段的车道线形状,其中,P0为第一端点,P3为第二端点,P1为第一中间点,P2为第二中间点。
作为示例,该步骤302具体可包括如下子步骤:
步骤3021,从车道线的点云数据(例如基于UTM坐标系下投影到地面的车道线的点云数据)中选择一个起点数据和一个终点数据分别作为第一中间点P1和第二中间点P2的初始坐标。
步骤3022,将第一中间点P1和第二中间点P2分别向外侧延伸预定长度,得到第一端点P0和第二端点P3的初始坐标。例如可将P1和P2分别向外延伸3-5米获取两个点分别作为控制点P0和P3的初始坐标。
示例性地,本实施例中基于三阶Catmull-Rom曲线确定第一中间点P1和第二中间点P2之间的曲线C(t)。三阶Catmull-Rom曲线可通过如下公式(1)进行表示:
(1)
公式(1)中,t为0到1之间的参数,用于描述曲线在控制点的弯曲程度,通常取=0.5。
步骤303,基于车道线的点云数据确定多个观测点。
本实施例中,基于UTM坐标系下投影到地面的车道线的点云数据确定多个观测点。可将M个观测点记为观测点集,以通过观测点集中的每个观测点对控制点的坐标(包括方向、位置等)进行约束调整。
步骤304,构建GTSAM因子图,并输入控制点的初始坐标值以及观测点的坐标值。
在本实施例中,利用车道线的点云数据确定的观测点对初始参考曲线进行约束,并通过构建最优化模型来对控制点的初始坐标进行优化,从而根据优化后的控制点的坐标拟合出最符合实际点云数据的曲线,作为表示车道线形状的目标参考曲线。
在示例性实施方式中,可通过构建GTSAM非线性因子图,将中的每一个控制点的初始坐标作为一个优化变量,将观测点集中的每一个观测点的坐标作为观测因子,并根据观测点与控制点之间的残差约束关系对控制点的初始坐标进行优化。
作为示例,该步骤304具体可包括如下子步骤:
步骤3041,构建GTSAM因子图。
步骤3042,向因子图中添加变量节点。
根据确定的控制点添加变量节点,变量节点的初始值即为控制点的初始坐标值。
步骤3043,添加四元因子。
该步骤3043中,向因子图中添加四元因子,以观测点集中的每一个观测点的坐标为四元因子赋值。
在构建因子图模型以后,还需要指定因子连接到哪些变量。为此,基于GTSAM的多元因子类继承构建一类四元因子,该四元因子同时与上述四个控制点相关联。
步骤3044,添加先验约束因子。
由于在实际的实验测试中发现,仅仅使用四元因子约束,Catmull-Rom样条曲线的自由度还是比较高,如图5A所示,控制点P1,P2与车道线的点云数据的两端会存在沿曲线滑动的现象。
针对上述问题,结合图6所示,作为可选的实施方式,本实施例中针对控制点中的P1,P2分别添加了一个先验约束因子,来对控制点P1,P2的自由度进行限制。如图5B所示,添加了先验约束因子后,控制点P1,P2与车道线点的点云数据两端实现了“绑定”,而不会出现沿曲线滑动的现象。
根据上述步骤3041~3044所构建的因子图中,节点是待优化的变量,因子是相应的观测约束,而优化过程就是调用因子图以及相应图节点的值,计算因子的残差,并通过因子对相关图节点的残差约束关系进行迭代优化。从而将控制点的优化问题转换为求解因子图的最优解,例如可使用GTSAM非线性优化器迭代计算,得到控制点的最优值。以下步骤305-309描述了对控制点的初始坐标进行优化的具体过程。
步骤305,根据控制点的当前坐标值生成第一参考曲线。
在本实施例中,可以基于Catmull-Rom曲线作为基本参数模型,根据控制点的当前坐标值生成第一参考曲线。例如,可根据输入的控制点的初始坐标值,使用上述公式(1)中的Catmull-Rom曲线模型确定出用于表示车道线形状的初始参考曲线。
Catmull-Rom曲线是一种经过控制点本身的样条曲线,其不受坐标系的限制,可以近似表达空间中任意形状的曲线。对于车道线而言,可以在同一个坐标系内全局地表达任意位置、任意形状的车道线。
将公式(1)中等号右边的前两项矩阵相乘并记作B(t),并将控制点序列X排列为列向量,即, />
则控制点P1,P2之间的曲线C(t)还可以采用如下公式(2)进行表示:
(2)
对于曲线C(t)上的任意一个点,可以求解它关于t的导数C'(t),具体如下所示:
(3)
或者也可以求解C(t)关于控制点P0,P1,P2,P3的导数,具体如下所示:
(4)
步骤306,计算每个观测点到第一参考曲线的距离,作为残差。
本实施例中,使用观测点到第一参考曲线的距离来对点云数据与Catmull-Rom初始参考曲线之间的差异进行量化。
参考图7所示,对于任意一个观测点P m到第一参考曲线的距离,可通过如下子步骤确定:
步骤3061,根据参数t对初始参考曲线均匀采样N+1个点,记作G,,将相邻的采样点两两相连,形成N条短的折线段;其中,N为正整数,/>为采样点集G中的第i个采样点,/>为第i条折线段,i=0,1,2,……,N。
步骤3062,将观测点集中的每个观测点与折线段进行对应,并计算观测点P m到对应的折线段的距离/>,以该距离di作为观测残差。
该实施方式中,在对初始参考曲线进行离散化采样的基础上,采用以短的直线段代替曲线段的距离计算方法,相较于相关技术中采用高次方程解析的方式,不仅计算量更小,且求解过程更为简单。
步骤307,判断残差是否已收敛,如果未收敛,则继续执行步骤308,如果已收敛,例如当前的残差值已小于预定的最小值,则迭代中止,继续步骤309。
步骤308,根据观测点与控制点之间的残差约束关系调整控制点的坐标值,并返回步骤305,以进行迭代优化。
结合图7所示,残差di与控制点之间是一个线性方程。以第一条折线段/>及其对应的观测点/>为例,根据采样点/>和/>的坐标`/>,使用两点式确定所在的直线方程:
(5)
得到观测点Pm到折线段的距离d0:
(6)
据此,我们可以构建出所有观测点与控制点X的最优化方程:
(7)
其中,X*是控制点X的最优估计值。在构建非线性因子图模型后,GTSAM非线性因子图需要建立因子与变量的残差约束关系。本实施例中,通过推导观测点关于控制点的一阶导数,以得到的一阶求导雅克比矩阵作为观测点与控制点之间的残差约束关系。该过程具体描述如下:
本实施例中,观测点到对应的折线段的距离(点到直线的距离)是一个标量,通过去掉绝对值符号,采用带正负号的距离d,正d表示点在直线的左边,负d表示点在直线的右边。为了得到雅可比矩阵,我们需要计算观测残差d对状态量X的导数。将所有观测点Pm到对应的折线段的距离di的集合记作D,根据链式求导法则:
(8)
可以把di对X的导数分解为di对采样点G的导数和G对X的导数的乘积。其中采样点G对控制点X的导数可以通过公式(6)直接计算得到,下面重点介绍di对采样点G的导数。
同样以第一条折线段及其对应的观测点/>为例,根据公式(6),分别计算/>,可以得到:
(9)
再根据链式求导法则与全微分的定义可以得到:
(10)
并整理为如下所示的向量相乘的形式:
(11)
根据公式(6),第i个采样点对控制点X的雅可比矩阵为:
(12)
其中,即为/>,/>的具体计算结果。
对于一组,对控制点X的雅可比为:
(13)
d0对控制点X的导数为:
(14)
以此类推,记采样点集G的子集为/>,,
,
则可以简记为:
(15)
以上描述了根据一个观测点到一段折线段的距离确定的残差。在实际应用中,如果同一个线段对应有多个观测点,则可以从中任意选一个观测点进行计算即可,从而可以减小计算量。将N个折线段以及对应的观测点全部考虑,则所有的观测点对控制点的一阶导数可以组成一个雅可比矩阵,如下所示:
(16)
通过以上推导,即可得到观测点P m对控制点X的雅克比矩阵,从而建立了观测点与控制点之间的残差约束关系,即一阶雅克比关系。
需要说明的是,以上推导过程仅为说明如何建立观测点与控制点之间的残差约束关系,根据本实施例的车道线拟合方法中直接使用上述公式(16)中的雅克比矩阵即可。
在建立了观测点与控制点之间的残差约束关系后,可以使用GTSAM非线性优化器进行迭代计算,得到控制点的最优解。/>
作为示例性实施方式,该步骤308中,根据雅克比矩阵指示的梯度方向对控制点的当前坐标值进行调整,得到更新后的控制点的坐标值,并返回步骤305。继续根据更新的控制点的坐标值更新第一参考曲线,并根据更新的第一参考曲线重新计算残差(即重新确定观测点到该更新的第一参考曲线的距离),如此,根据雅克比矩阵不断调整优化控制点的坐标值并迭代计算残差,直至残差收敛至预定的最小值,或者残差不再明显变化为止,完成对控制点坐标的优化。
步骤309,以优化后的控制点的坐标值作为目标坐标,生成目标参考曲线。
如果当前的残差已收敛至最小值,则将控制点的当前坐标作为优化后的目标坐标,并根据该目标坐标确定出目标参考曲线,以该目标参考曲线作为拟合的车道线形状曲线。
根据本实施例提供的车道线拟合方法,基于车道线的点云数据确定观测点,对根据控制点的初始坐标得到的初始参考曲线进行调整约束,根据优化调整后的控制点坐标得到表示车道线形状的目标参考曲线,从而使得拟合得到的曲线形状更加贴近实际点云数据,且具有计算量小的特点;此外,以Catmull-Rom曲线作为参数模型,使得控制点直接经过拟合的目标参考曲线本身,有效提升了车道线的拟合效果。
如图8所示,根据本申请实施例的车道线拟合方法所确定的目标参考曲线,能够直观有效的拟合各种不同形状的车道线,例如横向S形、纵向S形、C形等形状,且控制点经过拟合的目标参考曲线本身,不依赖于局部坐标系。综上,基于本申请提出的车道线拟合方法能够有效拟合不同形状的车道线,且拟合的目标参考曲线更贴近实际点云数据。
此外,根据本申请的实施例还提供了一种电子设备和一种计算机可读介质。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如车道线拟合方法。例如,在一些实施例中,车道线拟合方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的车道线拟合方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车道线拟合方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域邻域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (11)
1.一种车道线拟合方法,包括:
根据多个连续的控制点的初始坐标,基于样条曲线参数模型确定用于表示车道线的形状的第一参考曲线,其中,所述控制点的初始坐标是基于所述车道线的点云数据确定的;
基于所述点云数据确定多个用于表征所述点云数据与所述第一参考曲线之间的一致性的观测点;以及
根据所述观测点与所述控制点之间的残差约束关系对所述控制点的初始坐标进行优化,根据优化后得到的所述控制点的目标坐标基于所述样条曲线参数模型确定用于表示所述车道线的形状的目标参考曲线;
其中,根据所述观测点与所述控制点之间的残差约束关系对所述控制点的初始坐标进行优化包括:
构建GTSAM因子图,其中,以每个所述控制点的初始坐标作为因子图的变量节点,以每个所述观测点的坐标作为所述因子图的观测因子;以及
基于所构建的GTSAM因子图,以每个所述观测点到所述第一参考曲线的距离作为残差,根据所述观测点与所述控制点之间的残差约束关系对所述控制点的初始坐标进行优化。
2.根据权利要求1所述的方法,其中,基于所构建的GTSAM因子图,以每个所述观测点到所述第一参考曲线的距离作为残差,根据所述观测点与所述控制点之间的残差约束关系对所述控制点的初始坐标进行优化包括:
基于所构建的GTSAM因子图,确定每个所述观测点到所述第一参考曲线的距离,以所述距离作为残差;以及
根据所述残差约束关系更新所述控制点的坐标值,根据更新的坐标值更新所述第一参考曲线,并根据更新的所述第一参考曲线重新确定所述距离以迭代计算所述残差,直至所述残差收敛至预定的最小值,将所述控制点的当前坐标作为优化后的所述控制点的所述目标坐标。
3.根据权利要求2所述的方法,其中,所述确定每个所述观测点到所述第一参考曲线的距离,包括:
对所述第一参考曲线进行均匀采样,得到每两个相邻的采样点之间的多条折线段;
将每个所述观测点分别与所述多条折线段中的其中一条对应,并计算每个所述观测点到对应的所述折线段的距离,作为每个所述观测点到所述第一参考曲线的距离。
4.根据权利要求3所述的方法,其中,所述观测点与所述控制点之间的所述残差约束关系为所述观测点对所述控制点的雅克比矩阵。
5.根据权利要求2所述的方法,其中,所述多个连续的控制点包括第一端点和第二端点,以及位于所述第一端点和所述第二端点之间的第一中间点和第二中间点,其中所述第一中间点表示所述车道线形状的起点,所述第二中间点表示所述车道线形状的终点。
6.根据权利要求5所述的方法,其中,所述方法还包括:
基于所述车道线的点云数据确定所述多个连续的控制点的初始坐标,包括:
从所述车道线的点云数据中选择一个起点数据和一个终点数据分别作为所述控制点中的所述第一中间点和所述第二中间点的初始坐标;以及
将所述第一中间点和所述第二中间点分别向外侧延伸预设长度,得到所述第一端点和所述第二端点的初始坐标。
7.根据权利要求5或6所述的方法,其中,所述方法还包括:
在所述因子图中,针对所述第一中间点和所述第二中间点添加先验约束因子。
8.根据权利要求3所述的方法,其中,所述计算每个所述观测点到对应的所述折线段的距离,包括:
响应于有多个所述观测点对应于同一条所述折线段,选择所述多个所述观测点中的一个,计算所述观测点到对应的所述折线段的距离。
9.根据权利要求1-6中的任一项所述的方法,其中,所述车道线的点云数据包括:基于自动驾驶车辆的雷达感知的三维点云图投影到地面所得到的车道线的二维点云集。
10.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中的任一项所述的方法。
11.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-9中的任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311820464.2A CN117475399B (zh) | 2023-12-27 | 2023-12-27 | 车道线拟合方法、电子设备及可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311820464.2A CN117475399B (zh) | 2023-12-27 | 2023-12-27 | 车道线拟合方法、电子设备及可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117475399A CN117475399A (zh) | 2024-01-30 |
CN117475399B true CN117475399B (zh) | 2024-03-29 |
Family
ID=89640015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311820464.2A Active CN117475399B (zh) | 2023-12-27 | 2023-12-27 | 车道线拟合方法、电子设备及可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117475399B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3506158A1 (en) * | 2017-12-29 | 2019-07-03 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, apparatus, and device for determining lane line on road |
CN114755663A (zh) * | 2022-04-01 | 2022-07-15 | 智道网联科技(北京)有限公司 | 车辆传感器的外参校准方法、装置及计算机可读存储介质 |
CN115422316A (zh) * | 2022-11-02 | 2022-12-02 | 高德软件有限公司 | 车道线数据处理方法、装置、电子设备及存储介质 |
CN117036422A (zh) * | 2023-08-25 | 2023-11-10 | 新石器慧通(北京)科技有限公司 | 车道线跟踪的方法、装置、设备及存储介质 |
-
2023
- 2023-12-27 CN CN202311820464.2A patent/CN117475399B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3506158A1 (en) * | 2017-12-29 | 2019-07-03 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, apparatus, and device for determining lane line on road |
CN114755663A (zh) * | 2022-04-01 | 2022-07-15 | 智道网联科技(北京)有限公司 | 车辆传感器的外参校准方法、装置及计算机可读存储介质 |
CN115422316A (zh) * | 2022-11-02 | 2022-12-02 | 高德软件有限公司 | 车道线数据处理方法、装置、电子设备及存储介质 |
CN117036422A (zh) * | 2023-08-25 | 2023-11-10 | 新石器慧通(北京)科技有限公司 | 车道线跟踪的方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于成像模型的车道线检测与跟踪方法;陈龙;李清泉;毛庆洲;;中国公路学报;20111115(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117475399A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109946680B (zh) | 探测系统的外参数标定方法、装置、存储介质及标定系统 | |
CN111739005B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN113436238B (zh) | 点云配准精度的评估方法、装置和电子设备 | |
US11318938B2 (en) | Speed planning method and apparatus for self-driving, device, medium and vehicle | |
CN110838122B (zh) | 点云的分割方法、装置及计算机存储介质 | |
KR20220125712A (ko) | 이미지 처리 방법, 텍스트 인식 방법 및 장치 | |
CN113759349B (zh) | 激光雷达与定位设备的标定方法、设备及自动驾驶车辆 | |
CN117036422A (zh) | 车道线跟踪的方法、装置、设备及存储介质 | |
CN112927328B (zh) | 表情迁移方法、装置、电子设备及存储介质 | |
CN111707262B (zh) | 基于最近点向量投影的点云匹配方法、介质、终端和装置 | |
CN112435193A (zh) | 一种点云数据去噪的方法、装置、存储介质和电子设备 | |
CN105654460A (zh) | 点云拼接系统及方法 | |
CN113870215A (zh) | 中线提取方法及装置 | |
Jelinek et al. | Fast total least squares vectorization | |
CN115457152A (zh) | 外参标定方法、装置、电子设备及存储介质 | |
CN117475399B (zh) | 车道线拟合方法、电子设备及可读介质 | |
CN110414458B (zh) | 基于平面标签和模板匹配的定位方法及装置 | |
CN110956131A (zh) | 单目标追踪方法、装置及系统 | |
CN117755312A (zh) | 车道线拟合方法、电子设备及存储介质 | |
CN115127565A (zh) | 高精地图数据生成方法、装置、电子设备及存储介质 | |
US20230252763A1 (en) | Model generation method, model generation device, and inference device | |
CN111105400B (zh) | 瓣膜图像处理方法、瓣膜图像处理装置及电子设备 | |
CN112683216B (zh) | 用于生成车辆长度信息的方法、装置、路侧设备和云控平台 | |
CN113658277B (zh) | 立体匹配方法、模型训练方法、相关装置及电子设备 | |
CN114663524B (zh) | 多相机在线标定方法、装置、电子设备和计算机可读介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |