CN117496476A - 路网生成方法、可读存储介质及智能设备 - Google Patents
路网生成方法、可读存储介质及智能设备 Download PDFInfo
- Publication number
- CN117496476A CN117496476A CN202410001482.6A CN202410001482A CN117496476A CN 117496476 A CN117496476 A CN 117496476A CN 202410001482 A CN202410001482 A CN 202410001482A CN 117496476 A CN117496476 A CN 117496476A
- Authority
- CN
- China
- Prior art keywords
- node
- intersection
- road network
- collision
- topology
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000003068 static effect Effects 0.000 claims description 18
- 238000013135 deep learning Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 238000005299 abrasion Methods 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及数据分析处理技术领域,具体提供一种路网生成方法、可读存储介质及智能设备,旨在解决如何实现复杂低速场景下的路网数据的生成的问题。为此目的,本申请根据同一场域的历史行驶轨迹和占据点云,获得场域的路口节点拓扑,根据路口节点拓扑获取无碰撞轨迹,根据无碰撞轨迹获取场域的路网拓扑。本申请以场域内的历史行驶轨迹和占据点云作为输入获得路网拓扑,不再依赖于车载传感器对车道线等目标的感知信息,在车道线磨损以及没有车道线的场景下,以及各种复杂低速场景下都能够自动生成路网拓扑。且融合了占据点云提供的环境信息,使得获得路网拓扑更为接近现实。同时能够保证生成的路网拓扑能够有效确保避障。
Description
技术领域
本申请涉及数据分析处理技术领域,具体提供一种路网生成方法、可读存储介质及智能设备。
背景技术
路网数据包含拓扑信息和道路几何信息。路网数据是自动驾驶汽车进行导航、决策、规划的基础。一般城区或者高速等场景下的路网生成往往是依赖于对车道线的识别。
但是,地下停车场、小区、服务区等复杂低速场景下,路网结构复杂,且车道线非标准化,存在车道线磨损严重的情况,甚至存在有些场景无车道线的情况。因此无法实现通过车道线识别的方法来进行路网数据的生成。
相应地,本领域需要一种新的路网生成方案来解决上述问题。
发明内容
为了克服上述缺陷,提出了本申请,以提供解决或至少部分地解决如何实现复杂低速场景下的路网数据的生成的问题。
在第一方面,本申请提供一种路网生成方法,所述方法包括:
根据同一场域内的历史行驶轨迹和占据点云,获取所述场域的路口节点拓扑;
根据所述路口节点拓扑,获取无碰撞轨迹;
根据所述无碰撞轨迹,获取所述场域的路网拓扑
在上述路网生成方法的一个技术方案中,所述根据同一场域内的历史行驶轨迹和占据点云,获取所述场域的路口节点拓扑,包括:
根据所述历史行驶轨迹和所述占据点云,获取所述场域的路口识别结果;
根据所述路口识别结果,获取所述路口节点拓扑。
在上述路网生成方法的一个技术方案中,所述根据所述历史行驶轨迹和所述占据点云,获取所述场域的路口识别结果,包括:
基于深度学习识别方法,根据所述历史行驶轨迹和所述占据点云,获取所述路口识别结果。
在上述路网生成方法的一个技术方案中,所述根据所述路口识别结果,获取所述路口节点拓扑,包括:
根据所述路口识别结果、所述历史行驶轨迹数据和所述占据点云,获取每个所述路口识别结果对应的路口节点数据;
根据所述路口节点数据和所述历史行驶轨迹的时序信息,获取所述路口节点拓扑。
在上述路网生成方法的一个技术方案中,所述根据所述路口识别结果、所述历史行驶轨迹数据和所述占据点云,获取每个所述路口识别结果对应的路口节点数据,包括:
针对每个路口识别结果,基于深度学习方法,根据所述历史行驶轨迹数据和所述占据点云,获取所述路口识别结果的节点位置和节点角度;
将所述节点位置和所述节点角度,作为所述路口节点数据。
在上述路网生成方法的一个技术方案中,所述根据所述路口节点数据和所述历史行驶轨迹的时序信息,获取所述路口节点拓扑,包括:
根据所述历史行驶轨迹的时序信息,获取关联的路口节点数据之间的前续后继关系,以实现所述路口节点数据之间的连通,从而获得所述路口节点拓扑。
在上述路网生成方法的一个技术方案中,所述根据所述路口节点拓扑,获取无碰撞轨迹,包括:
基于所述场域的栅格地图,获取所述场域的静态障碍物占据情况;
根据所述静态障碍物占据情况和所述路口节点拓扑,获取所述无碰撞轨迹。
在上述路网生成方法的一个技术方案中,所述根据所述静态障碍物占据情况和所述路口节点拓扑,获取所述无碰撞轨迹,包括:
根据所述路口节点拓扑分别获取驶入路口对应的开始节点的节点位置和节点角度,以及驶出路口对应的结束节点的节点位置和节点角度;
根据所述静态障碍物占据情况、所述开始节点的节点位置和节点角度、所述结束节点的节点位置和节点角度,应用路径规划算法,以代价最小化为规划目标,进行无碰撞轨迹规划,获取所述无碰撞轨迹;
其中,所述代价包括所述无碰撞轨迹规划的当前节点的节点位置到所述结束节点的节点位置之间的距离、所述当前节点的节点角度与所述无碰撞轨迹规划的下一个节点的节点角度之间的夹角的至少一种。
在上述路网生成方法的一个技术方案中,所述根据所述无碰撞轨迹,获取所述场域的路网拓扑,包括:
根据车体动力学模型,对所述无碰撞轨迹进行调整,获得调整后的无碰撞轨迹;
根据所述调整后的无碰撞轨迹,获得所述路网拓扑。
在第二方面,提供一种计算机可读存储介质,该计算机可读存储介质其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行上述路网生成方法的技术方案中任一项技术方案所述的路网生成方法。
在第三方面, 一种智能设备,包括:
至少一个处理器;
以及,与所述至少一个处理器通信连接的存储器;
其中,所述存储器中存储有计算机程序,所述计算机程序被所述至少一个处理器执行时实现上述路网生成方法的技术方案中任一项技术方案所述的路网生成方法。
本申请上述一个或多个技术方案,至少具有如下一种或多种有益效果:
在实施本申请的技术方案中,本申请根据同一场域的历史行驶轨迹和占据点云,获得场域的路口节点拓扑,根据路口节点拓扑获取无碰撞轨迹,根据无碰撞轨迹获取场域的路网拓扑。通过上述配置方式,本申请以场域内的历史行驶轨迹和占据点云作为输入,获得路网拓扑,不再依赖于车载传感器对车道线等目标的感知信息,在车道线磨损以及没有车道线的场景下,以及各种复杂低速场景下都能够自动生成路网拓扑。且本申请不完全依赖于历史行驶轨迹,而是融合了占据点云提供的环境信息,能够使得获得路网拓扑更为接近现实。同时本申请的路网拓扑是基于无碰撞轨迹生成的,从而能够保证生成的路网拓扑能够有效确保避障。
附图说明
参照附图,本申请的公开内容将变得更易理解。本领域技术人员容易理解的是:这些附图仅仅用于说明的目的,而并非意在对本申请的保护范围组成限制。其中:
图1是根据本申请的一个实施例的路网生成方法的主要步骤流程示意图;
图2是根据本申请实施例的一个实施方式的路网生成方法的主要步骤流程示意图;
图3是根据本申请实施例的一个实施方式的路口识别结果示意图;
图4是根据本申请实施例的一个实施方式的路口节点数据示意图;
图5是根据本申请实施例的一个实施方式的路网拓扑示意图;
图6是根据本申请的一个实施例的智能设备的存储器与处理器之间的连接关系示意图。
具体实施方式
下面参照附图来描述本申请的一些实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本申请的技术原理,并非旨在限制本申请的保护范围。
在本申请的描述中,“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路,各种合适的感应器,通信端口,存储器,也可以包括软件部分,比如程序代码,也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质,比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合,比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似,可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
术语定义:
自动驾驶系统(Automated Driving Systems,ADS),其是指系统在自身的设计运行范围(Operational Domain Design,ODD)内将持续执行全部的动态驾驶任务(DynamicDriving Task,DDT)。即,在规定的适当驾驶场景条件下才允许机器系统全部承担车辆自动操控的任务,即车辆满足ODD条件时系统被激活,该系统代替人类驾驶员作为车辆的驾驶主体。其中,动态驾驶任务DDT是指对车辆进行持续的横向(左、右转向)和纵向运动控制(加速,减速,匀速)以及对车辆行驶环境中的目标和事件进行探测和响应。设计运行范围ODD是指自动驾驶系统可以安全运行的条件,其设置的条件可以包括地理位置、道路类型、速度范围、天气、时间、国家和地方性交通法律法规等。
参阅附图1,图1是根据本申请的一个实施例的路网生成方法的主要步骤流程示意图。如图1所示,本申请实施例中的路网生成方法主要包括下列步骤S101-步骤S103。
步骤S101:根据同一场域内的历史行驶轨迹和占据点云,获取场域的路口节点拓扑。
在本实施例中,针对需要进行路网生成的场域,历史行驶轨迹可以提供轨迹信息,占据点云可以提供环境信息,基于历史行驶轨迹和占据点云,来获取路口节点拓扑。其中,占据点云是指静态障碍物的点云数据。路口节点拓扑表示路口节点之间的连通关系。
一个实施方式中,历史行驶轨迹可以为用户真实的历史行车轨迹。
一个实施方式中,占据点云可以包括墙体、建筑物、车位等静态障碍物的点云。
一个实施方式中,可以应用深度学习方法,融合历史行驶轨迹和占据点云,对场域内的路口节点拓扑进行预测,从而获得路口节点拓扑。
步骤S102:根据路口节点拓扑,获取无碰撞轨迹。
在本实施例中,可以基于路口节点拓扑,生成无碰撞轨迹。
一个实施方式中,应用路径规划算法(如planning算法)来基于路口节点拓扑和占据点云,获得无碰撞轨迹。
步骤S103:根据无碰撞轨迹,获取场域的路网拓扑。
在本实施例中,可以根据无碰撞轨迹,结合车辆实际行驶状态对无碰撞轨迹进行调整,从而获得场域内的路网拓扑。其中,路网拓扑包含拓扑信息和道路几何信息。
基于上述步骤S101-步骤S103,本申请实施例根据同一场域的历史行驶轨迹和占据点云,获得场域的路口节点拓扑,根据路口节点拓扑获取无碰撞轨迹,根据无碰撞轨迹获取场域的路网拓扑。通过上述配置方式,本申请实施例以场域内的历史行驶轨迹和占据点云作为输入,获得路网拓扑,不再依赖于车载传感器对车道线等目标的感知信息,在车道线磨损以及没有车道线的场景下,以及各种复杂低速场景下都能够自动生成路网拓扑。且本申请实施例不完全依赖于历史行驶轨迹,而是融合了占据点云提供的环境信息,能够使得获得路网拓扑更为接近现实。同时本申请实施例的路网拓扑是基于无碰撞轨迹生成的,从而能够保证生成的路网拓扑能够有效确保避障。
下面分别对步骤S101、步骤S102和步骤S103作进一步地说明。
在本申请实施例的一个实施方式中,步骤S101可以进一步包括以下步骤S1011和步骤S1012:
步骤S1011:根据历史行驶轨迹和占据点云,获取场域的路口识别结果。
在本实施方式中,可以应用深度学习识别方法,根据历史行驶轨迹和占据点云来获取路口识别结果。由于在路口识别过程中考虑到了占据点云提供的环境信息,能够使得路口识别结果更为准确且细致,如针对不规则路口,可以识别出更为精细的多边形的路口识别结果。
一个实施方式中,深度学习识别方法可以为本领域中常用的基于深度学习的目标识别模型,获得的路口识别结果可以为路口的检测框。
一个实施方式中,可以参阅附图3,图3是根据本申请实施例的一个实施方式的路口识别结果示意图。如图3所示,其中的粗实线方形框即为路口识别结果。
步骤S1012:根据路口识别结果,获取路口节点拓扑。
在本实施方式中,步骤S1012可以进一步包括以下步骤S10121和步骤S10122:
步骤S10121:根据路口识别结果、历史行驶轨迹数据和占据点云,获取每个路口识别结果对应的路口节点数据。
在本实施方式中,步骤S10121可以进一步包括步骤S101211和步骤S101212:
步骤S101211:针对每个路口识别结果,基于深度学习方法,根据历史行驶轨迹数据和占据点云,获取路口识别结果的节点位置和节点角度。
步骤S101212:将节点位置和节点角度,作为路口节点数据。
在本实施方式中,可以以路口识别结果为先验数据,应用深度学习方法对场域内的每一个路口识别结果的节点位置和节点角度进行预测,从而将预测获得的节点位置和节点角度作为路口节点数据。在应用深度学习进行节点位置和节点角度进行预测时,融合的特征包括历史行驶轨迹提供的轨迹数据和占据点云提供的环境信息。其中,可以应用本领域常用基于深度学习的预测模型进行节点角度和的节点位置的预测,本申请对此不做限定。
其中,路口节点是指驶入或驶出路口的点。路口节点数据是指路口节点的位置和角度。一般而言,针对一个十字路口,其中应该包含八个路口节点。具体可以参阅附图4,图4是根据本申请实施例的一个实施方式的路口节点数据示意图。图4中的箭头示出了矩形框对应的路口的其中一个路口节点的节点位置和节点角度。
步骤S10122:根据路口节点数据和历史行驶轨迹的时序信息,获取路口节点拓扑。
在本实施方式中,可以根据历史行驶轨迹的时序信息,获取关联的路口节点数据之间的前续后继关系,以实现路口节点数据之间的连通,从而获得路口节点拓扑。路口节点拓扑描述的是路口之间以及路口车道级别的道路形状。
具体地,每个一个路口节点数据代表了驶入或驶出路口的位置和角度。而路口节点附近是存在关联轨迹的,可以根据历史行驶轨迹来获得关联轨迹。关联轨迹中路口节点的前序和后继轨迹片段表征了该路口节点与其他路口节点之间的前序后继关系,根据前续后继关系则可以实现路口节点数据之间的连通,从而获得路口节点拓扑。
在本申请实施例的一个实施方式中,步骤S102可以进一步包括以下步骤S1021和步骤S1022:
步骤S1021:基于场域的栅格地图,获取场域的静态障碍物占据情况。
在本实施方式中,可以根据场域的栅格地图(Grid Map)作为全局信息,确定场域内静态障碍物占据情况。即,针对栅格地图一般为多图层地图,其中,可以包含静态障碍物的占据图层,可以根据静态障碍物的占据图层,结合车型信息,生成碰撞模型,从而获得静态障碍物占据情况。
步骤S1022:根据静态障碍物占据情况和路口节点拓扑,获取无碰撞轨迹。
在本实施方式中,步骤S1022可以进一步包括以下步骤S10221和步骤S10222:
步骤S10221:根据路口节点拓扑分别获取驶入路口对应的开始节点的节点位置和节点角度,以及驶出路口对应的结束节点的节点位置和节点角度。
步骤S10222:根据静态障碍物占据情况、开始节点的节点位置和节点角度、结束节点的节点位置和节点角度,应用路径规划算法,以代价最小化为规划目标,进行无碰撞轨迹规划,获取无碰撞轨迹;其中,代价包括无碰撞轨迹规划的当前节点的节点位置到结束节点的节点位置之间的距离、当前节点的节点角度与无碰撞轨迹规划的下一个节点的节点角度之间的夹角的至少一种。
在本实施方式中,可以根据路口节点拓扑分别获取驶入路口和驶出路口对应的开始节点和结束节点的节点位置和节点角度。可以根据障碍物占据情况、开始节点的节点位置和节点角度、结束节点的节点位置和节点角度,应用路径规划算法,以代价最小化为规划目标,进行无碰撞路径规划,获取无碰撞轨迹;其中,无碰撞路径规划的代价可以包括当前节点的节点位置到结束节点的节点位置之间的距离、当前节点的节点角度与下一个节点的节点角度之间的夹角的至少一种。
即,可以根据路口节点拓扑,获取车道级别的开始节点和结束节点的节点位置和节点角度。可以应用路径规划算法,以静态障碍物的占据情况、开始节点的节点位置和节点角度、结束节点的节点位置和节点角度为输入数据,以当前节点的节点位置到结束节点的节点位置之间的距离、当前节点的节点角度与下一个节点的节点角度之间的夹角作为代价(cost),以代价最小化为规划目标,进行无碰撞路径规划,从而获得无碰撞轨迹。
一个实施方式中,路径规划算法可以为Hybird A*算法。
在本申请实施例的一个实施方式中,步骤S103可以进一步包括以下步骤S1031和步骤S1032:
步骤S1031:根据车体动力学模型,对无碰撞轨迹进行调整,获得调整后的无碰撞轨迹。
步骤S1032:根据调整后的无碰撞轨迹,获得路网拓扑。
在本实施方式中,可以根据车体动力学模型对无碰撞轨迹进行调整,使得无碰撞轨迹更为平滑,更符合驾驶习惯等,从而获得符合车体动力学约束的参考线,将该参考线对应的无碰撞轨迹作为路网拓扑。其中,车体动力学模型为模拟车辆在实际运行过程中的行驶速度、转弯半径等参数的模型。具体可以参阅附图5,图5是根据本申请实施例的一个实施方式的路网拓扑示意图。如图5所示,结合路口识别结果(路口1、路口2)、路口节点、占据点云、车位等生成的带有流向(flow)的路网拓扑即为图5中的虚线所示。
一个实施方式中,可以参阅附图2,图2是根据本申请实施例的一个实施方式的路网生成方法的主要步骤流程示意图。如图2所示,路网生成方法可以以历史行驶轨迹和占据点云为输入数据,进行多模态数据的路口识别,获得路口识别结果,根据路口识别结果进行基于深度学习的节点预测,获得路口节点数据,根据历史行驶轨迹和路口节点数据生成路口节点拓扑,根据路口节点拓扑和占据点云,获得无碰撞轨迹,根据无碰撞轨迹获得路网拓扑。
需要指出的是,尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述,但是本领域技术人员可以理解,为了实现本申请的效果,不同的步骤之间并非必须按照这样的顺序执行,其可以同时(并行)执行或以其他顺序执行,这些变化都在本申请的保护范围之内。
本领域技术人员能够理解的是,本申请实现上述一实施例的方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
进一步,本申请还提供了一种计算机可读存储介质。在根据本申请的一个计算机可读存储介质实施例中,计算机可读存储介质可以被配置成存储执行上述方法实施例的路网生成方法的程序,该程序可以由处理器加载并运行以实现上述路网生成方法。为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参照本申请实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备,可选的,本申请实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
进一步,本身申请还提供了一种智能设备,智能设备可以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,存储器中存储有计算机程序,计算机程序被至少一个处理器执行时实现上述任一实施例所述的路网生成方法。本申请的智能设备,可以包括驾驶设备、智能车、机器人等设备。参阅附图6,图6是根据本申请的一个实施例的智能设备的存储器与处理器之间的连接关系示意图。如图6所示,智能设备的存储器和处理器可以通过总线通信连接。
在本申请的一些实施例中,所述智能设备还包括至少一个传感器,传感器用于感知信息。传感器与本申请提到的任何一种类型的处理器通信连接。可选地,智能设备还包括自动驾驶系统,自动驾驶系统用于引导智能设备自行行驶或辅助驾驶。处理器与传感器和/或自动驾驶系统通信,用于完成上述任一实施例所述的方法。
进一步,应该理解的是,由于各个模块的设定仅仅是为了说明本申请的装置的功能单元,这些模块对应的物理器件可以是处理器本身,或者处理器中软件的一部分,硬件的一部分,或者软件和硬件结合的一部分。因此,图中的各个模块的数量仅仅是示意性的。
本领域技术人员能够理解的是,可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本申请的原理,因此,拆分或合并之后的技术方案都将落入本申请的保护范围内。
本申请各实施例中可能涉及的相关用户个人信息,均为严格按照法律法规的要求,遵循合法、正当、必要的原则,基于业务场景的合理目的,处理用户在使用产品/服务过程中主动提供或因使用产品/服务而产生的,以及经用户授权获取的个人信息。
本申请处理的用户个人信息会因具体产品/服务场景而有所不同,需以用户使用产品/服务的具体场景为准,可能会涉及用户的账号信息、设备信息、驾驶信息、车辆信息或其他相关信息。本申请会以高度的勤勉义务对待用户的个人信息及其处理。
本申请非常重视用户个人信息的安全,已采取符合业界标准、合理可行的安全防护措施保护用户的信息,防止个人信息遭到未经授权访问、公开披露、使用、修改、损坏或丢失。
至此,已经结合附图所示的优选实施方式描述了本申请的技术方案,但是,本领域技术人员容易理解的是,本申请的保护范围显然不局限于这些具体实施方式。在不偏离本申请的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本申请的保护范围之内。
Claims (11)
1.一种路网生成方法,其特征在于,所述方法包括:
根据同一场域内的历史行驶轨迹和占据点云,获取所述场域的路口节点拓扑;
根据所述路口节点拓扑,获取无碰撞轨迹;
根据所述无碰撞轨迹,获取所述场域的路网拓扑。
2.根据权利要求1所述的路网生成方法,其特征在于,
所述根据同一场域内的历史行驶轨迹和占据点云,获取所述场域的路口节点拓扑,包括:
根据所述历史行驶轨迹和所述占据点云,获取所述场域的路口识别结果;
根据所述路口识别结果,获取所述路口节点拓扑。
3.根据权利要求2所述的路网生成方法,其特征在于,
所述根据所述历史行驶轨迹和所述占据点云,获取所述场域的路口识别结果,包括:
基于深度学习识别方法,根据所述历史行驶轨迹和所述占据点云,获取所述路口识别结果。
4.根据权利要求2所述的路网生成方法,其特征在于,
所述根据所述路口识别结果,获取所述路口节点拓扑,包括:
根据所述路口识别结果、所述历史行驶轨迹数据和所述占据点云,获取每个所述路口识别结果对应的路口节点数据;
根据所述路口节点数据和所述历史行驶轨迹的时序信息,获取所述路口节点拓扑。
5.根据权利要求4所述的路网生成方法,其特征在于,
所述根据所述路口识别结果、所述历史行驶轨迹数据和所述占据点云,获取每个所述路口识别结果对应的路口节点数据,包括:
针对每个路口识别结果,基于深度学习方法,根据所述历史行驶轨迹数据和所述占据点云,获取所述路口识别结果的节点位置和节点角度;
将所述节点位置和所述节点角度,作为所述路口节点数据。
6.根据权利要求4所述的路网生成方法,其特征在于,
所述根据所述路口节点数据和所述历史行驶轨迹的时序信息,获取所述路口节点拓扑,包括:
根据所述历史行驶轨迹的时序信息,获取关联的路口节点数据之间的前续后继关系,以实现所述路口节点数据之间的连通,从而获得所述路口节点拓扑。
7.根据权利要求1所述的路网生成方法,其特征在于,
所述根据所述路口节点拓扑,获取无碰撞轨迹,包括:
基于所述场域的栅格地图,获取所述场域的静态障碍物占据情况;
根据所述静态障碍物占据情况和所述路口节点拓扑,获取所述无碰撞轨迹。
8.根据权利要求7所述的路网生成方法,其特征在于,
所述根据所述静态障碍物占据情况和所述路口节点拓扑,获取所述无碰撞轨迹,包括:
根据所述路口节点拓扑分别获取驶入路口对应的开始节点的节点位置和节点角度,以及驶出路口对应的结束节点的节点位置和节点角度;
根据所述静态障碍物占据情况、所述开始节点的节点位置和节点角度、所述结束节点的节点位置和节点角度,应用路径规划算法,以代价最小化为规划目标,进行无碰撞轨迹规划,获取所述无碰撞轨迹;
其中,所述代价包括所述无碰撞轨迹规划的当前节点的节点位置到所述结束节点的节点位置之间的距离、所述当前节点的节点角度与所述无碰撞轨迹规划的下一个节点的节点角度之间的夹角的至少一种。
9.根据权利要求1所述的路网生成方法,其特征在于,
所述根据所述无碰撞轨迹,获取所述场域的路网拓扑,包括:
根据车体动力学模型,对所述无碰撞轨迹进行调整,获得调整后的无碰撞轨迹;
根据所述调整后的无碰撞轨迹,获得所述路网拓扑。
10.一种计算机可读存储介质,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行权利要求1至9中任一项所述的路网生成方法。
11.一种智能设备,其特征在于,包括:
至少一个处理器;
以及,与所述至少一个处理器通信连接的存储器;
其中,所述存储器中存储有计算机程序,所述计算机程序被所述至少一个处理器执行时实现权利要求1至9中任一项所述的路网生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410001482.6A CN117496476B (zh) | 2024-01-02 | 2024-01-02 | 路网生成方法、可读存储介质及智能设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410001482.6A CN117496476B (zh) | 2024-01-02 | 2024-01-02 | 路网生成方法、可读存储介质及智能设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117496476A true CN117496476A (zh) | 2024-02-02 |
CN117496476B CN117496476B (zh) | 2024-03-26 |
Family
ID=89685452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410001482.6A Active CN117496476B (zh) | 2024-01-02 | 2024-01-02 | 路网生成方法、可读存储介质及智能设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117496476B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106910199A (zh) * | 2017-01-23 | 2017-06-30 | 北京理工大学 | 面向城市空间信息采集的车联网众包方法 |
US20190086928A1 (en) * | 2017-09-15 | 2019-03-21 | Here Global B.V. | Lane-centric road network model for navigation |
CN109855626A (zh) * | 2019-02-14 | 2019-06-07 | 上海赛图计算机科技股份有限公司 | 一种基于扫描线的室内地图路网生成方法 |
US20200049524A1 (en) * | 2016-10-25 | 2020-02-13 | Mitsubishi Electric Corporation | Travel route estimation apparatus and travel route estimation method |
US10699564B1 (en) * | 2019-04-04 | 2020-06-30 | Geotab Inc. | Method for defining intersections using machine learning |
CN112270306A (zh) * | 2020-11-17 | 2021-01-26 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于拓扑路网的无人车轨迹预测与导航方法 |
CN112634396A (zh) * | 2019-09-24 | 2021-04-09 | 北京四维图新科技股份有限公司 | 路网确定方法及装置 |
CN112683286A (zh) * | 2021-03-16 | 2021-04-20 | 季华实验室 | 拓扑路网地图的建立方法、系统、存储介质及电子设备 |
DE102020126683A1 (de) * | 2020-10-12 | 2022-04-14 | Bayerische Motoren Werke Aktiengesellschaft | Fahrzeugführungssystem und Verfahren zum Betreiben einer Fahrfunktion in Abhängigkeit von Umfeldinformation |
CN115009275A (zh) * | 2022-08-08 | 2022-09-06 | 北京理工大学前沿技术研究院 | 面向城市场景下车辆轨迹预测方法、系统及存储介质 |
CN115690373A (zh) * | 2022-11-16 | 2023-02-03 | 网易(杭州)网络有限公司 | 路网生成方法、装置、计算机可读存储介质及计算机设备 |
CN116363856A (zh) * | 2021-12-23 | 2023-06-30 | 北京嘀嘀无限科技发展有限公司 | 一种用于道路交叉口拓扑结构生成的方法和装置 |
CN116811898A (zh) * | 2023-06-29 | 2023-09-29 | 东风商用车有限公司 | 一种基于车道线的弯道自动驾驶路网生成方法与装置 |
CN116834767A (zh) * | 2022-03-24 | 2023-10-03 | 小米汽车科技有限公司 | 运动轨迹生成方法、装置、设备及存储介质 |
US20230332907A1 (en) * | 2022-03-15 | 2023-10-19 | The Texas A&M University System | Method and system of evaluation of navigation safety |
-
2024
- 2024-01-02 CN CN202410001482.6A patent/CN117496476B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200049524A1 (en) * | 2016-10-25 | 2020-02-13 | Mitsubishi Electric Corporation | Travel route estimation apparatus and travel route estimation method |
CN106910199A (zh) * | 2017-01-23 | 2017-06-30 | 北京理工大学 | 面向城市空间信息采集的车联网众包方法 |
US20190086928A1 (en) * | 2017-09-15 | 2019-03-21 | Here Global B.V. | Lane-centric road network model for navigation |
CN109855626A (zh) * | 2019-02-14 | 2019-06-07 | 上海赛图计算机科技股份有限公司 | 一种基于扫描线的室内地图路网生成方法 |
US10699564B1 (en) * | 2019-04-04 | 2020-06-30 | Geotab Inc. | Method for defining intersections using machine learning |
CN112634396A (zh) * | 2019-09-24 | 2021-04-09 | 北京四维图新科技股份有限公司 | 路网确定方法及装置 |
DE102020126683A1 (de) * | 2020-10-12 | 2022-04-14 | Bayerische Motoren Werke Aktiengesellschaft | Fahrzeugführungssystem und Verfahren zum Betreiben einer Fahrfunktion in Abhängigkeit von Umfeldinformation |
CN112270306A (zh) * | 2020-11-17 | 2021-01-26 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于拓扑路网的无人车轨迹预测与导航方法 |
CN112683286A (zh) * | 2021-03-16 | 2021-04-20 | 季华实验室 | 拓扑路网地图的建立方法、系统、存储介质及电子设备 |
CN116363856A (zh) * | 2021-12-23 | 2023-06-30 | 北京嘀嘀无限科技发展有限公司 | 一种用于道路交叉口拓扑结构生成的方法和装置 |
US20230332907A1 (en) * | 2022-03-15 | 2023-10-19 | The Texas A&M University System | Method and system of evaluation of navigation safety |
CN116834767A (zh) * | 2022-03-24 | 2023-10-03 | 小米汽车科技有限公司 | 运动轨迹生成方法、装置、设备及存储介质 |
CN115009275A (zh) * | 2022-08-08 | 2022-09-06 | 北京理工大学前沿技术研究院 | 面向城市场景下车辆轨迹预测方法、系统及存储介质 |
CN115690373A (zh) * | 2022-11-16 | 2023-02-03 | 网易(杭州)网络有限公司 | 路网生成方法、装置、计算机可读存储介质及计算机设备 |
CN116811898A (zh) * | 2023-06-29 | 2023-09-29 | 东风商用车有限公司 | 一种基于车道线的弯道自动驾驶路网生成方法与装置 |
Non-Patent Citations (2)
Title |
---|
YILE CHEN 等: "Robust Road Network Representation Learning: When Traffic Patterns Meet Traveling Semantics", 《PROCEEDINGS OF THE 30TH ACM INTERNATIONAL CONFERENCE ON INFORMATION & KNOWLEDGE MANAGEMENT》, 31 October 2021 (2021-10-31), pages 211 - 220, XP059104498, DOI: 10.1145/3459637.3482293 * |
卢永明;何汉武;娄燕;: "虚拟驾驶系统中智能汽车创建方法的研究", 微计算机信息, no. 29, 31 October 2007 (2007-10-31), pages 227 - 229 * |
Also Published As
Publication number | Publication date |
---|---|
CN117496476B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11332132B2 (en) | Method of handling occlusions at intersections in operation of autonomous vehicle | |
CN109017785B (zh) | 车辆换道行驶方法 | |
CN116209611B (zh) | 在自动驾驶中使用其他道路使用者对自我交通工具行为的反应的方法和系统 | |
KR20210044960A (ko) | 자율주행차량의 차선변경 제어 장치 및 그 방법 | |
CN109035863B (zh) | 车辆强制换道行驶方法 | |
CN113508056A (zh) | 针对自主车辆的转弯发出信号 | |
CN113034970A (zh) | 安全性系统、自动化驾驶系统及其方法 | |
US20230382430A1 (en) | Method and system for forecasting reactions of other road users in autonomous driving | |
CN114834486A (zh) | 一种规划车辆掉头路径的方法、装置及设备 | |
CN112363511A (zh) | 车辆路径规划方法、装置、车载装置及存储介质 | |
CN114475656B (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
CN117495847B (zh) | 路口检测方法、可读存储介质及智能设备 | |
CN117836184A (zh) | 用于自主车辆的互补控制系统 | |
CN117557977B (zh) | 环境感知信息获取方法、可读存储介质及智能设备 | |
CN117496476B (zh) | 路网生成方法、可读存储介质及智能设备 | |
CN115892076A (zh) | 车道障碍物筛选方法、装置和域控制器 | |
CN114563007B (zh) | 障碍物的运动状态预测方法、装置、电子设备及存储介质 | |
KR20210005393A (ko) | 자율주행차량의 유턴 제어 장치 및 그 방법 | |
CN115112138A (zh) | 轨迹规划信息生成方法、装置、电子设备以及存储介质 | |
CN113753038A (zh) | 一种轨迹预测方法、装置、电子设备和存储介质 | |
CN112904843B (zh) | 一种自动驾驶场景确定方法、装置、电子设备及存储介质 | |
CN113264038B (zh) | 基于临时事件的无人车停车方法、装置及电子设备 | |
CN112918466B (zh) | 一种停靠位置选取方法、装置、设备及存储介质 | |
CN117705125B (zh) | 定位方法、可读存储介质及智能设备 | |
EP4145420A1 (en) | Hierarchical processing of traffic signal face states |
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 |