CN110032181A - 语义地图中障碍物定位方法、装置、计算机设备和存储介质 - Google Patents
语义地图中障碍物定位方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110032181A CN110032181A CN201910142666.3A CN201910142666A CN110032181A CN 110032181 A CN110032181 A CN 110032181A CN 201910142666 A CN201910142666 A CN 201910142666A CN 110032181 A CN110032181 A CN 110032181A
- Authority
- CN
- China
- Prior art keywords
- barrier
- road
- waypoint
- target track
- distance
- 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
- 230000004888 barrier function Effects 0.000 title claims abstract description 320
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000004807 localization Effects 0.000 title claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 46
- 238000012217 deletion Methods 0.000 claims description 43
- 230000037430 deletion Effects 0.000 claims description 43
- 238000004590 computer program Methods 0.000 claims description 26
- 238000000926 separation method Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000009933 burial Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- 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
- G06V10/22—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Aviation & Aerospace Engineering (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种语义地图中障碍物定位方法、装置、计算机设备和存储介质。该方法包括:获取障碍物的障碍物坐标和障碍物的行驶速度;根据障碍物坐标,在语义地图中按照预设的选择半径选取初始区域,采用预设的筛选规则对初始区域中的多个道路点进行筛选,得到语义地图中与障碍物的位置匹配的目标道路点,并将目标道路点作为障碍物在语义地图中的位置。其中,筛选规则为根据障碍物的行驶速度、道路点的方向、道路点与障碍物坐标的距离、道路点之间的距离和道路点之间的连通关系中的至少一个对道路点进行筛选的规则。采用本方法能够使得语义地图中的障碍物定位的结果更为合理、准确和可靠。
Description
技术领域
本申请涉及自动驾驶技术领域,特别是涉及一种语义地图中障碍物定位方法、装置、计算机设备和存储介质。
背景技术
随着科技的飞速发展,自动驾驶技术的发展也越来越快,其不断地被应用在各行各业。
在自动驾驶过程中,车辆常常使用预置的高精度地图,例如语义地图,获知道路情况并进行路况进行驾驶导航,因此需要将障碍物,例如车辆和行人,在语义地图中进行定位,从而识别障碍物的位置以确定导航策略。因而障碍物在语义地图中的准确定位显得尤其重要。通常,人们采用传感器对障碍物进行探测,例如摄像机进行拍照,或者结合雷达对障碍物进行探测以探知障碍物的具***置,并将其具***置通过坐标变换实现障碍物在语义地图中的定位。
然而,传统的将障碍物在语义地图中进行定位的方式,其准确率低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高语义地图中定位准确率的语义地图中障碍物定位方法、装置、计算机设备和存储介质。
第一方面,本申请实施例提供一种语义地图中障碍物定位方法,所述方法包括:
获取障碍物的障碍物坐标和所述障碍物的行驶速度,所述障碍物坐标用于表征所述障碍物在实际道路上所处的位置;
根据所述障碍物坐标,在语义地图中按照预设的选择半径选取初始区域;所述初始区域中包括用于表征所述初始区域中的道路分布状态的多个道路点;
采用预设的筛选规则对所述初始区域中的多个道路点进行筛选,得到所述语义地图中与所述障碍物的位置匹配的目标道路点,并将所述目标道路点作为所述障碍物在所述语义地图中的位置;所述筛选规则为根据所述障碍物的行驶速度、道路点的方向、道路点与所述障碍物坐标的距离、道路点之间的距离和道路点之间的连通关系中的至少一个对道路点进行筛选的规则。
在其中一个实施例中,所述筛选规则包括以下步骤中的至少一个:
将与所述障碍物的行驶速度方向夹角大于预设的角度阈值的道路点删除;
将每条道路上与所述障碍物的距离最近的点之外的其他道路点删除;
将每条道路上两两互相连通的道路点中与所述障碍物的距离最近的点之外的其他道路点删除;
将与所述障碍物的距离大于所述语义地图中到障碍物的距离最近的道路点且差值超过道路宽度一半的道路点删除。
在其中一个实施例中,所述方法还包括:
判断所述障碍物的轮廓内的目标道路点是否属于同一条道路;
当所述障碍物的轮廓内所包含的目标道路点属于同一条道路时,则将所述障碍物的轮廓内所包含的目标道路点作为所述障碍物在所述语义地图中的位置。
在其中一个实施例中,所述判断所述障碍物的轮廓内的目标道路点是否属于同一条道路,包括:
根据所述障碍物的轮廓与所述目标道路点的位置,确定每个所述目标道路点到所述障碍物的轮廓的垂直距离;
当每个所述目标道路点到所述障碍物的轮廓的垂直距离之间的差值小于或等于预设的距离差值阈值时,则确定所述目标道路点属于同一条道路;
当每个所述目标道路点到所述障碍物的轮廓的垂直距离之间的差值大于所述距离阈值差值时,则确定所述目标道路点属于不同道路。
在其中一个实施例中,所述道路点以邻近查询(k-dimensional,简称KD)树的数据结构进行存储。
在其中一个实施例中,所述获取障碍物的障碍物坐标和所述障碍物的行驶速度,包括:
获取所述障碍物的点云数据;
采用预设的识别模型对所述点云数据进行识别,确定所述障碍物坐标和所述障碍物的行驶速度;所述识别模型为基于机器学习和识别规则的模型。
在其中一个实施例中,所述获取所述障碍物的点云数据之后,还包括:
采用所述识别模型对所述点云数据进行识别,确定所述障碍物的轮廓。
第二方面,本申请实施例提供一种语义地图中障碍物定位装置,所述装置包括:
获取模块,用于获取障碍物的障碍物坐标和所述障碍物的行驶速度,所述障碍物坐标用于表征所述障碍物在实际道路上所处的位置;
选择模块,用于根据所述障碍物坐标,在语义地图中按照预设的选择半径选取初始区域;所述初始区域中包括用于表征所述初始区域中的道路分布状态的多个道路点;
处理模块,用于采用预设的筛选规则对所述初始区域中的多个道路点进行筛选,得到所述语义地图中与所述障碍物的位置匹配的目标道路点,并将所述目标道路点作为所述障碍物在所述语义地图中的位置;所述筛选规则为根据所述障碍物的行驶速度、道路点的方向、道路点与所述障碍物坐标的距离、道路点之间的距离和道路点之间的连通关系中的至少一个对道路点进行筛选的规则。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取障碍物的障碍物坐标和所述障碍物的行驶速度,所述障碍物坐标用于表征所述障碍物在实际道路上所处的位置;
根据所述障碍物坐标,在语义地图中按照预设的选择半径选取初始区域;所述初始区域中包括用于表征所述初始区域中的道路分布状态的多个道路点;
采用预设的筛选规则对所述初始区域中的多个道路点进行筛选,得到所述语义地图中与所述障碍物的位置匹配的目标道路点,并将所述目标道路点作为所述障碍物在所述语义地图中的位置;所述筛选规则为根据所述障碍物的行驶速度、道路点的方向、道路点与所述障碍物坐标的距离、道路点之间的距离和道路点之间的连通关系中的至少一个对道路点进行筛选的规则。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取障碍物的障碍物坐标和所述障碍物的行驶速度,所述障碍物坐标用于表征所述障碍物在实际道路上所处的位置;
根据所述障碍物坐标,在语义地图中按照预设的选择半径选取初始区域;所述初始区域中包括用于表征所述初始区域中的道路分布状态的多个道路点;
采用预设的筛选规则对所述初始区域中的多个道路点进行筛选,得到所述语义地图中与所述障碍物的位置匹配的目标道路点,并将所述目标道路点作为所述障碍物在所述语义地图中的位置;所述筛选规则为根据所述障碍物的行驶速度、道路点的方向、道路点与所述障碍物坐标的距离、道路点之间的距离和道路点之间的连通关系中的至少一个对道路点进行筛选的规则。
上述语义地图中障碍物定位方法、装置、计算机设备和存储介质,通过计算机设备获取障碍物的障碍物坐标和障碍物的行驶速度,并根据障碍物坐标,在语义地图中按照预设的选择半径选取初始区域,然后采用预设的筛选规则对初始区域中的多个道路点进行筛选,得到语义地图中与障碍物的位置匹配的目标道路点,并将目标道路点作为障碍物在语义地图中的位置,从而实现在在语义地图中对障碍物进行定位。其中,障碍物坐标用于表征障碍物在实际道路上所处的位置,初始区域中包括用于表征初始区域中的道路分布状态的多个道路点。由于上述筛选规则为根据障碍物的行驶速度、道路点的方向、道路点与障碍物坐标的距离、道路点之间的距离和道路点之间的连通关系中的至少一个,因此采用该方法,计算机设备能够结合障碍物的行驶速度、道路点的方向、道路点与障碍物坐标的距离、道路点之间的距离和道路点之间的连通关系中至少一个因素对道路点进行筛选,得到目标道路点,实现语义地图中的对障碍物进行定位,其使得语义地图中的障碍物定位的结果更为合理、准确和可靠,从而使得在自动驾驶过程中,根据语义地图所生成的驾驶策略更为准确。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例提供的语义地图中障碍物定位方法的流程示意图;
图3为另一个实施例提供的语义地图中障碍物定位方法的流程示意图;
图4为又一个实施例提供的语义地图中障碍物定位方法的流程示意图;
图5为又一个实施例提供的语义地图中障碍物定位方法的流程示意图;
图6为又一个实施例提供的语义地图中障碍物定位方法的流程示意图;
图7为一个实施例提供的语义地图中障碍物定位装置的结构示意图;
图8为另一个实施例提供的语义地图中障碍物定位装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的语义地图中障碍物定位方法,可以适用于图1所示的计算机设备。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储下述实施例中的筛选规则,有关筛选规则的具体描述参见下述实施例中的具体描述。该计算机设备的网络接口可以用于与外部的其他设备通过网络连接通信。可选的,该计算机设备可以是服务器,可以是台式机,可以是个人数字助理,还可以是其他的终端设备,例如平板电脑、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。当然,输入装置和显示屏也可以不属于计算机设备的一部分,可以是计算机设备的外接设备。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
需要说明的是,下述方法实施例的执行主体可以是语义地图中障碍物定位装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为上述计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明。
图2为一个实施例提供的语义地图中障碍物定位方法的流程示意图。本实施例涉及的是计算机设备根据障碍物的位置在语义地图中进行障碍物定位的具体过程。如图2所示,所述方法包括:
S202、获取障碍物的障碍物坐标和所述障碍物的行驶速度,所述障碍物坐标用于表征所述障碍物在实际道路上所处的位置。
具体的,计算机设备能够获取障碍物的障碍物坐标,该障碍物坐标能够表征障碍物在实际道路上所处的具体的位置。可选地,其可以是通过激光雷达对障碍物进行探测,得到障碍物的点云数据,然后按照预先设定的识别规则对点云数据进行分析,从而得到障碍物的障碍物坐标和障碍物的行驶速度;也可以是采用机器学习的方法对上述点云数据进行识别,还可以是结合机器学习和识别规则的方法对点云数据进行识别,从而得到障碍物的障碍物坐标和障碍物的行驶速度,对此本实施例不做限定。可选地,上述障碍物可以是车辆,也可以是行人。
S204、根据所述障碍物坐标,在语义地图中按照预设的选择半径选取初始区域;所述初始区域中包括用于表征所述初始区域中的道路分布状态的多个道路点。
具体的,计算机设备在语义地图中,将上述障碍物坐标作为圆心,按照预设的选择半径作为选择范围的依据,选取出一个初始区域。可选地,该初始区域可以为原型,也可以为其他形状,例如方形,对此本实施例不做限定。需要说明的是,上述语义地图为标注了道路点和各种道路实际信息的高精度地图。因此上述初始区域可以包括障碍物所在的区域的道路分布状态,其分布状态由多个道路点进行表征。
S206、采用预设的筛选规则对所述初始区域中的多个道路点进行筛选,得到所述语义地图中与所述障碍物的位置匹配的目标道路点,并将所述目标道路点作为所述障碍物在所述语义地图中的位置;所述筛选规则为根据所述障碍物的行驶速度、道路点的方向、道路点与所述障碍物坐标的距离、道路点之间的距离和道路点之间的连通关系中的至少一个对道路点进行筛选的规则。
具体的,计算机设备能够采用预设的筛选规则对上述初始区域中的多个道路点进行筛选,可选地,其可以是一次性筛选,也可以是逐步层层筛选,对此本实施例不做限定。由于上述筛选规则为根据障碍物的行驶速度、道路点的方向、道路点与障碍物坐标的距离、道路点之间的距离和道路点之间的连通关系中的至少一个对道路点进行筛选的规则,计算机设备采用该筛选规则对上述初始区域中的多个道路进行筛选,得到筛选后的目标道路点。可选地,该目标道路点可以为一个,也可以为多个,对此本实施例不做限定。计算机设备将该目标道路点确定为上述障碍物在语义地图中的位置,从而实现在语义地图中对障碍物进行定位。
本实施例中,计算机设备能够获取障碍物的障碍物坐标和障碍物的行驶速度,并根据障碍物坐标,在语义地图中按照预设的选择半径选取初始区域,然后采用预设的筛选规则对初始区域中的多个道路点进行筛选,得到语义地图中与障碍物的位置匹配的目标道路点,并将目标道路点作为障碍物在语义地图中的位置,从而实现在语义地图中对障碍物进行定位。其中,障碍物坐标用于表征障碍物在实际道路上所处的位置,初始区域中包括用于表征初始区域中的道路分布状态的多个道路点。由于上述筛选规则为根据障碍物的行驶速度、道路点的方向、道路点与障碍物坐标的距离、道路点之间的距离和道路点之间的连通关系中的至少一个,因此采用该方法,计算机设备能够结合障碍物的行驶速度、道路点的方向、道路点与障碍物坐标的距离、道路点之间的距离和道路点之间的连通关系中的至少一个因素对道路点进行筛选,得到目标道路点,实现语义地图中的对障碍物进行定位,其使得语义地图中的障碍物定位的结果更为合理、准确和可靠,从而使得在自动驾驶过程中,根据语义地图所生成的驾驶策略更为准确。
在一个实施例中,所述筛选规则包括以下步骤中的至少一个:将与所述障碍物的行驶速度方向夹角大于预设的角度阈值的道路点删除;将每条道路上与所述障碍物的距离最近的点之外的其他道路点删除;将每条道路上两两互相连通的道路点中与所述障碍物的距离最近的点之外的其他道路点删除;将与所述障碍物的距离大于所述语义地图中到障碍物的距离最近的道路点且差值超过道路宽度一半的道路点删除。
具体的,该筛选规则可以包括上述对道路点进行删除的步骤中的一个或多个。其中,将与障碍物的行驶速度方向夹角大于预设的角度阈值的道路点删除,通过该步骤,计算机设备能够删除与障碍物的行驶方向不一致的道路点,例如相反方向或者在障碍物直行时的拐弯方向,例如该预设的角度阈值可以为150度,也可以为其他的角度,只要是能够表征其道路方向与障碍物的行驶方向不一致即可;将每条道路上与障碍物的距离最近的点之外的其他道路点删除,通过该步骤,计算机设备可以将距离障碍物较远的点进行删除,从而只保留距离最近的点以使得定位更为准确;将每条道路上两两互相连通的道路点中与障碍物的距离最近的点之外的其他道路点删除,通过该步骤,计算机设备能够将每一条道路上两两互相连通的道路点中与障碍物距离较远的点删除,由于两两互相连通的道路点是可以互相到达的,因此保留两两互相连通的道路点中与障碍物的距离最近的点可以使得定位更为准确;将与障碍物的距离大于语义地图中到障碍物的距离最近的道路点,并且二者的差值超过所在的道路宽度的一半的道路点进行删除,通过该步骤可以避免定位到相邻的道路上,从而提高了定位的准确性。
需要说明的是,当筛选规则包括上述步骤中的多个步骤时,本实施例对这多个步骤的执行顺序并不做具体的限定,其可以在合理的情况下以任意顺序执行均能够得到目标道路点。例如,其可以是:先将与障碍物的行驶速度方向夹角大于预设的角度阈值的道路点删除,再将每条道路上与障碍物的距离最近的点之外的其他道路点删除,然后将每条道路上两两互相连通的道路点中与障碍物的距离最近的点之外的其他道路点删除;也可以是先将每条道路上两两互相连通的道路点中与障碍物的距离最近的点之外的其他道路点删除,再将与障碍物的行驶速度方向夹角大于预设的角度阈值的道路点删除,然后将每条道路上与障碍物的距离最近的点之外的其他道路点删除,对此本实施例不做限定。
本实施例中,计算机设备能够通过将与障碍物的行驶速度方向夹角大于预设的角度阈值的道路点删除;将每条道路上与障碍物的距离最近的点之外的其他道路点删除;将每条道路上两两互相连通的道路点中与障碍物的距离最近的点之外的其他道路点删除;将与障碍物的距离大于语义地图中到障碍物的距离最近的道路点且差值超过道路宽度一半的道路点删除,这些步骤中的一个或任意多个的组合,从而实现将与障碍物的行驶状态不符合的道路点删除,保留下来与障碍物的行驶状态匹配的目标道路点从而实现在语义地图中的对障碍物进行定位,其使得定位的结果更为合理、准确和可靠,从而使得在自动驾驶过程中,根据语义地图所生成的驾驶策略更为准确。
图3为另一个实施例提供的语义地图中障碍物定位方法的流程示意图。本实施例涉及的是计算机设备根据障碍物的轮廓在语义地图中进行障碍物定位的具体过程。在上述各个实施例的基础上,如图3所示,所述方法还可以包括:
S302、判断所述障碍物的轮廓内的目标道路点是否属于同一条道路。
具体的,计算机设备可以获取障碍物的轮廓,然后根据语义地图中所携带的道路点的信息判断在障碍物的轮廓内的区域中的目标道路点是否属于同一条道路。需要说明的是,判断多个道路点是否属于同一条道路为,判断这多个道路点是否为一条马路中的一个车道,通常所说的马路可以包括多个车道,每条车道均可以表征本申请中的道路。例如,淮海路为双向八车道,在从东向西方的行驶方向上由左及右依次为左一道路、左二道路、右二道路和右一道路;该左一道路、左二道路、右二道路和右一道路均分别为独立的一条道路。
可选地,本步骤S302的一种可能的实现方式可以如图4所示,具体可以包括:
S402、根据所述障碍物的轮廓与所述目标道路点的位置,确定每个所述目标道路点到所述障碍物的轮廓的垂直距离。
具体的,计算机设备可以根据障碍物的轮廓和所筛选得到的目标道路点在语义地图中的位置,确定出每个目标道路点到该障碍物轮廓的垂直距离,并将各垂直距离的差值与预设的距离差值阈值进行大小对比。需要说明的是,上述垂直距离可以为与道路的方向,即车辆在该道路的行驶方向所垂直的方向上的距离,即车辆该道路上行驶时,驾驶员的左右方向的距离。
S404A、当每个所述目标道路点到所述障碍物的轮廓的垂直距离之间的差值小于或等于预设的距离差值阈值时,则确定所述目标道路点属于同一条道路。
具体的,当每个目标道路点到所述障碍物的轮廓的垂直距离之间的差值小于或等于上述预先设置的距离差值阈值时,则计算机设备确定每个目标道路点到障碍物轮廓的垂直距离差别较小,因此确定这些目标道路点属于同一条道路。
S404B、当每个所述目标道路点到所述障碍物的轮廓的垂直距离之间的差值大于所述距离阈值差值时,则确定所述目标道路点属于不同道路。
具体的,当每个目标道路点到所述障碍物的轮廓的垂直距离之间的大于上述距离差值阈值时,则计算机设备确定每个目标道路点到障碍物轮廓的垂直距离差别较大,因此确定这些目标道路点并不属于同一条道路,其可能属于不同的道路。
上述图4所示的实现方式中,计算机设备根据障碍物的轮廓与目标道路点的位置,确定每个目标道路点到障碍物的轮廓的垂直距离,并且当每个目标道路点到障碍物的轮廓的垂直距离之间的差值小于或等于距离差值阈值时,则确定障碍物的轮廓内的目标道路点属于同一条道路,当每个目标道路点到障碍物的轮廓的垂直距离之间的差值大于距离阈值差值时,则确定目标道路点属于不同道路。采用该方法能够实现将上述目标道路点是否为同一条道路进行确定,删除不属于同一条道路的目标道路点,保留属于同一条道路的目标道路点,使得在语义地图中的对障碍物进行定位的结果更为合理、准确和可靠,从而使得在自动驾驶过程中,根据语义地图所生成的驾驶策略更为准确。
S304、当所述障碍物的轮廓内所包含的目标道路点属于同一条道路时,则将所述障碍物的轮廓内所包含的目标道路点作为所述障碍物在所述语义地图中的位置。
具体的,计算机设备可以在上述障碍物轮廓内所包含的目标道路点属于同一条道路的情况下,将上述障碍物的轮廓内所包含的目标道路点作为障碍物在所述语义地图中的位置。
可选地,计算机设备还可以在上述障碍物轮廓内所包含的目标道路点属于不同道路的情况下,将上述障碍物的轮廓内所包含的目标道路点进行进一步的筛选,将筛选得到的部分目标道路点作为障碍物在语义地图中的位置。可选地,计算机设备可以是按照目标道路点到障碍物的轮廓的垂直距离进行筛选,将垂直距离偏差比较大的目标道路点删除,保留垂直距离偏差较小的目标道路点作为障碍物在语义地图中的位置。
可选地,还可以将不在障碍物的轮廓内的目标道路点删除,仅保留障碍物的轮廓内的目标道路点作为障碍物在语义地图中的位置。
本实施例中,计算机设备判断障碍物的轮廓内的目标道路点是否属于同一条道路,在障碍物的轮廓内所包含的目标道路点属于同一条道路时,将障碍物的轮廓内所包含的目标道路点作为障碍物在语义地图中的位置,从而筛选掉不合理的部分目标道路点,进而使得在语义地图中的对障碍物进行定位的结果更为合理、准确和可靠。
在一个实施例中,所述道路点以邻近查询(K-Dimensional,简称KD)树的数据结构进行存储和查询。具体的,采用KD树的数据结构进行存储和查询,可以将道路点从多个维度进行分层存储和查询,其能够避免将障碍物定位到无效、错误的道路点,从而使得道路点的筛选更为准确和高效。通常,使用KD树的数据结构能够使得定位在1毫秒内完成。进一步地,在对障碍物的运行轨迹进行预测时,还可以更准确地获得障碍物的预测轨迹。
可选地,在上述各个实施例的基础上,还可以采用宽度优先的算法进行道路点的筛选。
图5为又一个实施例提供的语义地图中障碍物定位方法的流程示意图。本实施例涉及的是计算机设备获取障碍物的障碍物坐标和所述障碍物的行驶速度的具体过程。如图2所示,所述方法包括:所述获取障碍物的障碍物坐标和所述障碍物的行驶速度,包括:
S502、获取所述障碍物的点云数据。
具体的,计算机设备能够获取激光雷达探测到的障碍物的点云数据。该点云数据能够表征障碍物的状态。
S504、采用预设的识别模型对所述点云数据进行识别,确定所述障碍物坐标和所述障碍物的行驶速度;所述识别模型为基于机器学习和识别规则的模型。
具体的,计算机设备能够采用机器学习的算法并结合识别规则建立识别模型,对该识别模型进行训练和调试,从而实现将障碍物的点云数据输入至该识别模型,得到障碍物的障碍物坐标和障碍物的行驶速度。可选地,该识别规则可以是基于历史识别结果或者人工标注所得到的规则。
本实施例中,由于识别模型为基于机器学习和识别规则的模型,计算机设备通过获取障碍物的点云数据,并采用该识别模型对点云数据进行识别,从而自动确定障碍物坐标和所述障碍物的行驶速度,使得障碍物坐标和障碍物的行驶速度的获取更为准确和高效。
在一个实施例中,所述获取所述障碍物的点云数据之后,还包括:采用所述识别模型对所述点云数据进行识别,确定所述障碍物的轮廓。具体的,计算机设备还可以采用上述识别模型对上述点云数据进行识别,从而自动确定出障碍物的轮廓,通过该方法,其能够使得障碍物的轮廓作为定位的考虑因素,因而使得在语义地图中的对障碍物进行定位的结果更为合理、准确和可靠。
为了更加便于本领域的技术人员理解,下面以一个具体的实施例对本申请的技术方案进行说明,具体可以参见图6所示,包括:
S602、获取所述障碍物的点云数据。
S604、采用预设的识别模型对所述点云数据进行识别,确定所述障碍物坐标、所述障碍物的行驶速度和所述障碍物的轮廓。
S606、根据所述障碍物坐标,在语义地图中按照预设的选择半径选取初始区域;所述初始区域中包括用于表征所述初始区域中的道路分布状态的多个道路点。
S608、将与所述障碍物的行驶速度方向夹角大于预设的角度阈值的道路点删除。
S610、将每条道路上与所述障碍物的距离最近的点之外的其他道路点删除。
S612、将每条道路上两两互相连通的道路点中与所述障碍物的距离最近的点之外的其他道路点删除。
S614、将与所述障碍物的距离大于所述语义地图中到障碍物的距离最近的道路点且差值超过道路宽度一半的道路点删除。
S616、根据所述障碍物的轮廓与所述目标道路点的位置,确定每个所述目标道路点到所述障碍物的轮廓的垂直距离。
S618、当每个所述目标道路点到所述障碍物的轮廓的垂直距离之间的差值小于或等于所述距离差值阈值时,则确定所述目标道路点属于同一条道路。
S620、当所述障碍物的轮廓内所包含的目标道路点属于同一条道路时,则将所述障碍物的轮廓内所包含的目标道路点作为所述障碍物在所述语义地图中的位置。
本实施例中的步骤的实现原理和效果可以参照前述实施例中的描述,此处不再赘述。
应该理解的是,虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种语义地图中障碍物定位装置,所述装置包括:
获取模块702,用于获取障碍物的障碍物坐标和所述障碍物的行驶速度,所述障碍物坐标用于表征所述障碍物在实际道路上所处的位置;
选择模块704,用于根据所述障碍物坐标,在语义地图中按照预设的选择半径选取初始区域;所述初始区域中包括用于表征所述初始区域中的道路分布状态的多个道路点;
处理模块706,用于采用预设的筛选规则对所述初始区域中的多个道路点进行筛选,确定所述语义地图中与所述障碍物的位置匹配的目标道路点,并将所述目标道路点作为所述障碍物在所述语义地图中的位置;所述筛选规则为根据所述障碍物的行驶速度、道路点的方向、道路点与所述障碍物坐标的距离、道路点之间的距离和道路点之间的连通关系中的至少一个对道路点进行筛选的规则。
在一个实施例中,所述筛选规则包括以下步骤中的至少一个:
将与所述障碍物的行驶速度方向夹角大于预设的角度阈值的道路点删除;
将每条道路上与所述障碍物的距离最近的点之外的其他道路点删除;
将每条道路上两两互相连通的道路点中与所述障碍物的距离最近的点之外的其他道路点删除;
将与所述障碍物的距离大于所述语义地图中到障碍物的距离最近的道路点且差值超过道路宽度一半的道路点删除。
在一个实施例中,如图8所示,所述装置还可以包括:
筛选模块708,用于判断所述障碍物的轮廓内的目标道路点是否属于同一条道路;以及当所述障碍物的轮廓内所包含的目标道路点属于同一条道路时,则将所述障碍物的轮廓内所包含的目标道路点作为所述障碍物在所述语义地图中的位置。
在一个实施例中,筛选模块708,具体可以用于:根据所述障碍物的轮廓与所述目标道路点的位置,确定每个所述目标道路点到所述障碍物的轮廓的垂直距离;当每个所述目标道路点到所述障碍物的轮廓的垂直距离之间的差值小于或等于预设的距离差值阈值时,则确定所述目标道路点属于同一条道路;当每个所述目标道路点到所述障碍物的轮廓的垂直距离之间的差值大于所述距离阈值差值时,则确定所述目标道路点属于不同道路。
在一个实施例中,所述道路点以邻近查询KD树的数据结构进行存储。
在一个实施例中,获取模块702,具体可以用于所述获取障碍物的障碍物坐标和所述障碍物的行驶速度,包括:
获取所述障碍物的点云数据;
采用预设的识别模型对所述点云数据进行识别,确定所述障碍物坐标和所述障碍物的行驶速度;所述识别模型为基于机器学习和识别规则的模型。
在一个实施例中,获取模块702,具体可以用于采用所述识别模型对所述点云数据进行识别,确定所述障碍物的轮廓。
关于语义地图中障碍物定位装置的具体限定可以参见上文中对于语义地图中障碍物定位方法的限定,在此不再赘述。上述语义地图中障碍物定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取障碍物的障碍物坐标和所述障碍物的行驶速度,所述障碍物坐标用于表征所述障碍物在实际道路上所处的位置;
根据所述障碍物坐标,在语义地图中按照预设的选择半径选取初始区域;所述初始区域中包括用于表征所述初始区域中的道路分布状态的多个道路点;
采用预设的筛选规则对所述初始区域中的多个道路点进行筛选,得到所述语义地图中与所述障碍物的位置匹配的目标道路点,并将所述目标道路点作为所述障碍物在所述语义地图中的位置;所述筛选规则为根据所述障碍物的行驶速度、道路点的方向、道路点与所述障碍物坐标的距离、道路点之间的距离和道路点之间的连通关系中的至少一个对道路点进行筛选的规则。
在一个实施例中,所述筛选规则包括以下步骤中的至少一个:
将与所述障碍物的行驶速度方向夹角大于预设的角度阈值的道路点删除;
将每条道路上与所述障碍物的距离最近的点之外的其他道路点删除;
将每条道路上两两互相连通的道路点中与所述障碍物的距离最近的点之外的其他道路点删除;
将与所述障碍物的距离大于所述语义地图中到障碍物的距离最近的道路点且差值超过道路宽度一半的道路点删除。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
判断所述障碍物的轮廓内的目标道路点是否属于同一条道路;
当所述障碍物的轮廓内所包含的目标道路点属于同一条道路时,则将所述障碍物的轮廓内所包含的目标道路点作为所述障碍物在所述语义地图中的位置。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述障碍物的轮廓与所述目标道路点的位置,确定每个所述目标道路点到所述障碍物的轮廓的垂直距离;
当每个所述目标道路点到所述障碍物的轮廓的垂直距离之间的差值小于或等于预设的距离差值阈值时,则确定所述目标道路点属于同一条道路;
当每个所述目标道路点到所述障碍物的轮廓的垂直距离之间的差值大于所述距离阈值差值时,则确定所述目标道路点属于不同道路。
在一个实施例中,所述道路点以邻近查询KD树的数据结构进行存储。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取所述障碍物的点云数据;
采用预设的识别模型对所述点云数据进行识别,确定所述障碍物坐标和所述障碍物的行驶速度;所述识别模型为基于机器学习和识别规则的模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采用所述识别模型对所述点云数据进行识别,确定所述障碍物的轮廓。
应当清楚的是,本申请实施例中处理器执行计算机程序的过程,与上述方法中各个步骤的执行过程一致,具体可参见上文中的描述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取障碍物的障碍物坐标和所述障碍物的行驶速度,所述障碍物坐标用于表征所述障碍物在实际道路上所处的位置;
根据所述障碍物坐标,在语义地图中按照预设的选择半径选取初始区域;所述初始区域中包括用于表征所述初始区域中的道路分布状态的多个道路点;
采用预设的筛选规则对所述初始区域中的多个道路点进行筛选,得到所述语义地图中与所述障碍物的位置匹配的目标道路点,并将所述目标道路点作为所述障碍物在所述语义地图中的位置;所述筛选规则为根据所述障碍物的行驶速度、道路点的方向、道路点与所述障碍物坐标的距离、道路点之间的距离和道路点之间的连通关系中的至少一个对道路点进行筛选的规则。
在一个实施例中,所述筛选规则包括以下步骤中的至少一个:
将与所述障碍物的行驶速度方向夹角大于预设的角度阈值的道路点删除;
将每条道路上与所述障碍物的距离最近的点之外的其他道路点删除;
将每条道路上两两互相连通的道路点中与所述障碍物的距离最近的点之外的其他道路点删除;
将与所述障碍物的距离大于所述语义地图中到障碍物的距离最近的道路点且差值超过道路宽度一半的道路点删除。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
判断所述障碍物的轮廓内的目标道路点是否属于同一条道路;
当所述障碍物的轮廓内所包含的目标道路点属于同一条道路时,则将所述障碍物的轮廓内所包含的目标道路点作为所述障碍物在所述语义地图中的位置。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据所述障碍物的轮廓与所述目标道路点的位置,确定每个所述目标道路点到所述障碍物的轮廓的垂直距离;
当每个所述目标道路点到所述障碍物的轮廓的垂直距离之间的差值小于或等于预设的距离差值阈值时,则确定所述目标道路点属于同一条道路;
当每个所述目标道路点到所述障碍物的轮廓的垂直距离之间的差值大于所述距离阈值差值时,则确定所述目标道路点属于不同道路。
在一个实施例中,所述道路点以邻近查询KD树的数据结构进行存储。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取所述障碍物的点云数据;
采用预设的识别模型对所述点云数据进行识别,确定所述障碍物坐标和所述障碍物的行驶速度;所述识别模型为基于机器学习和识别规则的模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用所述识别模型对所述点云数据进行识别,确定所述障碍物的轮廓。
应当清楚的是,本申请实施例中处理器执行计算机程序的过程,与上述方法中各个步骤的执行过程一致,具体可参见上文中的描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种语义地图中障碍物定位方法,其特征在于,所述方法包括:
获取障碍物的障碍物坐标和所述障碍物的行驶速度,所述障碍物坐标用于表征所述障碍物在实际道路上所处的位置;
根据所述障碍物坐标,在语义地图中按照预设的选择半径选取初始区域;所述初始区域中包括用于表征所述初始区域中的道路分布状态的多个道路点;
采用预设的筛选规则对所述初始区域中的多个道路点进行筛选,得到所述语义地图中与所述障碍物的位置匹配的目标道路点,并将所述目标道路点作为所述障碍物在所述语义地图中的位置;所述筛选规则为根据所述障碍物的行驶速度、道路点的方向、道路点与所述障碍物坐标的距离、道路点之间的距离和道路点之间的连通关系中的至少一个对道路点进行筛选的规则。
2.根据权利要求1所述的方法,其特征在于,所述筛选规则包括以下步骤中的至少一个:
将与所述障碍物的行驶速度方向夹角大于预设的角度阈值的道路点删除;
将每条道路上与所述障碍物的距离最近的点之外的其他道路点删除;
将每条道路上两两互相连通的道路点中与所述障碍物的距离最近的点之外的其他道路点删除;
将与所述障碍物的距离大于所述语义地图中到障碍物的距离最近的道路点且差值超过道路宽度一半的道路点删除。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
判断所述障碍物的轮廓内的目标道路点是否属于同一条道路;
当所述障碍物的轮廓内所包含的目标道路点属于同一条道路时,则将所述障碍物的轮廓内所包含的目标道路点作为所述障碍物在所述语义地图中的位置。
4.根据权利要求3所述的方法,其特征在于,所述判断所述障碍物的轮廓内的目标道路点是否属于同一条道路,包括:
根据所述障碍物的轮廓与所述目标道路点的位置,确定每个所述目标道路点到所述障碍物的轮廓的垂直距离;
当每个所述目标道路点到所述障碍物的轮廓的垂直距离之间的差值小于或等于预设的距离差值阈值时,则确定所述目标道路点属于同一条道路;
当每个所述目标道路点到所述障碍物的轮廓的垂直距离之间的差值大于所述距离阈值差值时,则确定所述目标道路点属于不同道路。
5.根据权利要求1至4任意一项所述的方法,其特征在于,所述道路点以邻近查询KD树的数据结构进行存储。
6.根据权利要求5所述的方法,其特征在于,所述获取障碍物的障碍物坐标和所述障碍物的行驶速度,包括:
获取所述障碍物的点云数据;
采用预设的识别模型对所述点云数据进行识别,确定所述障碍物坐标和所述障碍物的行驶速度;所述识别模型为基于机器学习和识别规则的模型。
7.根据权利要求6所述的方法,其特征在于,所述获取所述障碍物的点云数据之后,还包括:
采用所述识别模型对所述点云数据进行识别,确定所述障碍物的轮廓。
8.一种语义地图中障碍物定位装置,其特征在于,所述装置包括:
获取模块,用于获取障碍物的障碍物坐标和所述障碍物的行驶速度,所述障碍物坐标用于表征所述障碍物在实际道路上所处的位置;
选择模块,用于根据所述障碍物坐标,在语义地图中按照预设的选择半径选取初始区域;所述初始区域中包括用于表征所述初始区域中的道路分布状态的多个道路点;
处理模块,用于采用预设的筛选规则对所述初始区域中的多个道路点进行筛选,得到所述语义地图中与所述障碍物的位置匹配的目标道路点,并将所述目标道路点作为所述障碍物在所述语义地图中的位置;所述筛选规则为根据所述障碍物的行驶速度、道路点的方向、道路点与所述障碍物坐标的距离、道路点之间的距离和道路点之间的连通关系中的至少一个对道路点进行筛选的规则。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910142666.3A CN110032181B (zh) | 2019-02-26 | 2019-02-26 | 语义地图中障碍物定位方法、装置、计算机设备和存储介质 |
PCT/CN2019/126327 WO2020173188A1 (zh) | 2019-02-26 | 2019-12-18 | 语义地图中障碍物定位方法、装置、计算机设备和存储介质 |
US17/412,958 US12025451B2 (en) | 2019-02-26 | 2021-08-26 | Method and device for locating obstacle in semantic map, computer apparatus, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910142666.3A CN110032181B (zh) | 2019-02-26 | 2019-02-26 | 语义地图中障碍物定位方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110032181A true CN110032181A (zh) | 2019-07-19 |
CN110032181B CN110032181B (zh) | 2022-05-17 |
Family
ID=67234996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910142666.3A Active CN110032181B (zh) | 2019-02-26 | 2019-02-26 | 语义地图中障碍物定位方法、装置、计算机设备和存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US12025451B2 (zh) |
CN (1) | CN110032181B (zh) |
WO (1) | WO2020173188A1 (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110825093A (zh) * | 2019-11-28 | 2020-02-21 | 安徽江淮汽车集团股份有限公司 | 自动驾驶策略生成方法、装置、设备及存储介质 |
CN111177347A (zh) * | 2019-12-20 | 2020-05-19 | 上海优扬新媒信息技术有限公司 | 一种识别人机对话中坏例的方法及装置 |
CN111208839A (zh) * | 2020-04-24 | 2020-05-29 | 清华大学 | 一种实时感知信息与自动驾驶地图的融合方法及*** |
WO2020173188A1 (zh) * | 2019-02-26 | 2020-09-03 | 文远知行有限公司 | 语义地图中障碍物定位方法、装置、计算机设备和存储介质 |
CN111680347A (zh) * | 2020-05-22 | 2020-09-18 | 重庆新创科技股份有限公司 | 一种道路标线设计方法、装置、计算机设备及存储介质 |
CN111753639A (zh) * | 2020-05-06 | 2020-10-09 | 上海欧菲智能车联科技有限公司 | 感知地图生成方法、装置、计算机设备和存储介质 |
CN112541437A (zh) * | 2020-12-15 | 2021-03-23 | 北京百度网讯科技有限公司 | 车辆定位方法、装置、电子设备及存储介质 |
CN112579724A (zh) * | 2020-12-24 | 2021-03-30 | 广州小马智行科技有限公司 | 语义地图的构建方法、构建装置、处理器和车辆*** |
CN112596542A (zh) * | 2020-12-11 | 2021-04-02 | 广州极飞科技有限公司 | 数据处理方法和装置、电子设备及存储介质 |
CN112785641A (zh) * | 2021-01-13 | 2021-05-11 | 北京小马慧行科技有限公司 | 智能驾驶车辆的检测方法、控制方法和处理器 |
CN112883132A (zh) * | 2021-01-15 | 2021-06-01 | 北京小米移动软件有限公司 | 语义地图生成方法、语义地图生成装置、以及电子设备 |
CN113128326A (zh) * | 2019-12-31 | 2021-07-16 | 百度(美国)有限责任公司 | 具有语义地图和lstm的车辆轨迹预测模型 |
CN113759750A (zh) * | 2020-09-14 | 2021-12-07 | 北京京东乾石科技有限公司 | 一种仿真环境下障碍物信息生成方法和装置 |
CN113836445A (zh) * | 2021-09-16 | 2021-12-24 | 北京百度网讯科技有限公司 | 语义化方法、装置、电子设备及可读存储介质 |
WO2022000858A1 (zh) * | 2020-07-01 | 2022-01-06 | 广州小鹏自动驾驶科技有限公司 | 一种语义地图更新方法及装置、车辆、存储介质 |
CN113968235A (zh) * | 2021-11-30 | 2022-01-25 | 广州文远知行科技有限公司 | 一种障碍物的区域层级确定方法、装置、设备和介质 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112948517B (zh) * | 2021-02-26 | 2023-06-23 | 北京百度网讯科技有限公司 | 区域位置标定方法、装置及电子设备 |
CN113110413B (zh) * | 2021-03-10 | 2022-11-08 | 成都永奉科技有限公司 | 跟随机器人以及跟随控制方法、跟随控制*** |
CN114216470B (zh) * | 2021-11-30 | 2024-08-02 | 广州景骐科技有限公司 | 一种语义地图加载方法、装置、交通工具及存储介质 |
CN115096313B (zh) * | 2022-06-21 | 2024-06-04 | 中国人民解放军军事科学院国防科技创新研究院 | 一种用于区域避障的数据处理方法及装置 |
CN115376109B (zh) * | 2022-10-25 | 2023-03-24 | 杭州华橙软件技术有限公司 | 障碍物检测方法、障碍物检测装置以及存储介质 |
CN117915052B (zh) * | 2024-03-20 | 2024-06-14 | 智广海联(天津)大数据技术有限公司 | 一种获取监控有效性的方法及装置 |
CN118314587A (zh) * | 2024-06-11 | 2024-07-09 | 江苏魔视智能科技有限公司 | 语义地图融合方法、装置、设备、存储介质及程序产品 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200930988A (en) * | 2008-01-09 | 2009-07-16 | Mitac Int Corp | Touch-control type navigation device and method thereof |
CN104869634A (zh) * | 2015-04-30 | 2015-08-26 | 百度在线网络技术(北京)有限公司 | 定位结果的修正方法和装置 |
US20180130353A1 (en) * | 2016-11-10 | 2018-05-10 | Allstate Solutions Private Limited | Identifying Roadway Obstacles Based on Vehicular Data |
CN109085608A (zh) * | 2018-09-12 | 2018-12-25 | 奇瑞汽车股份有限公司 | 车辆周围障碍物检测方法及装置 |
CN109284348A (zh) * | 2018-10-30 | 2019-01-29 | 百度在线网络技术(北京)有限公司 | 一种电子地图的更新方法、装置、设备和存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7924439B2 (en) * | 2008-09-29 | 2011-04-12 | General Electric Company | Method and system for parameter extraction of a cutting tool |
JP6192958B2 (ja) * | 2013-03-19 | 2017-09-06 | 株式会社Ihiエアロスペース | 移動体の環境地図生成制御装置、移動体、及び移動体の環境地図生成方法 |
KR101716973B1 (ko) * | 2015-11-23 | 2017-03-15 | (주)베라시스 | 스테레오 영상 기반 도로상의 차량 검출 장치 및 방법 |
CN106503653B (zh) * | 2016-10-21 | 2020-10-13 | 深圳地平线机器人科技有限公司 | 区域标注方法、装置和电子设备 |
CA2993575C (en) * | 2017-02-03 | 2024-06-18 | Richard Pollock | Active driving map for self-driving road vehicle |
CN107588778A (zh) * | 2017-09-22 | 2018-01-16 | 南京市城市与交通规划设计研究院股份有限公司 | 地图匹配方法及装置 |
US11430145B2 (en) * | 2018-06-17 | 2022-08-30 | Foresight Ai Inc. | Identification of local motions in point cloud data |
CN109147317B (zh) * | 2018-07-27 | 2021-07-27 | 中国科学院深圳先进技术研究院 | 基于车路协同的自动驾驶导航***、方法及装置 |
CN110032181B (zh) * | 2019-02-26 | 2022-05-17 | 文远知行有限公司 | 语义地图中障碍物定位方法、装置、计算机设备和存储介质 |
-
2019
- 2019-02-26 CN CN201910142666.3A patent/CN110032181B/zh active Active
- 2019-12-18 WO PCT/CN2019/126327 patent/WO2020173188A1/zh active Application Filing
-
2021
- 2021-08-26 US US17/412,958 patent/US12025451B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200930988A (en) * | 2008-01-09 | 2009-07-16 | Mitac Int Corp | Touch-control type navigation device and method thereof |
CN104869634A (zh) * | 2015-04-30 | 2015-08-26 | 百度在线网络技术(北京)有限公司 | 定位结果的修正方法和装置 |
US20180130353A1 (en) * | 2016-11-10 | 2018-05-10 | Allstate Solutions Private Limited | Identifying Roadway Obstacles Based on Vehicular Data |
CN109085608A (zh) * | 2018-09-12 | 2018-12-25 | 奇瑞汽车股份有限公司 | 车辆周围障碍物检测方法及装置 |
CN109284348A (zh) * | 2018-10-30 | 2019-01-29 | 百度在线网络技术(北京)有限公司 | 一种电子地图的更新方法、装置、设备和存储介质 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020173188A1 (zh) * | 2019-02-26 | 2020-09-03 | 文远知行有限公司 | 语义地图中障碍物定位方法、装置、计算机设备和存储介质 |
US12025451B2 (en) | 2019-02-26 | 2024-07-02 | Weride Corp | Method and device for locating obstacle in semantic map, computer apparatus, and storage medium |
CN110825093A (zh) * | 2019-11-28 | 2020-02-21 | 安徽江淮汽车集团股份有限公司 | 自动驾驶策略生成方法、装置、设备及存储介质 |
CN111177347A (zh) * | 2019-12-20 | 2020-05-19 | 上海优扬新媒信息技术有限公司 | 一种识别人机对话中坏例的方法及装置 |
CN113128326A (zh) * | 2019-12-31 | 2021-07-16 | 百度(美国)有限责任公司 | 具有语义地图和lstm的车辆轨迹预测模型 |
CN113128326B (zh) * | 2019-12-31 | 2024-04-09 | 百度(美国)有限责任公司 | 具有语义地图和lstm的车辆轨迹预测模型 |
CN111208839A (zh) * | 2020-04-24 | 2020-05-29 | 清华大学 | 一种实时感知信息与自动驾驶地图的融合方法及*** |
CN111753639A (zh) * | 2020-05-06 | 2020-10-09 | 上海欧菲智能车联科技有限公司 | 感知地图生成方法、装置、计算机设备和存储介质 |
CN111680347A (zh) * | 2020-05-22 | 2020-09-18 | 重庆新创科技股份有限公司 | 一种道路标线设计方法、装置、计算机设备及存储介质 |
CN111680347B (zh) * | 2020-05-22 | 2023-10-27 | 重庆新创科技股份有限公司 | 一种道路标线设计方法、装置、计算机设备及存储介质 |
WO2022000858A1 (zh) * | 2020-07-01 | 2022-01-06 | 广州小鹏自动驾驶科技有限公司 | 一种语义地图更新方法及装置、车辆、存储介质 |
CN113759750A (zh) * | 2020-09-14 | 2021-12-07 | 北京京东乾石科技有限公司 | 一种仿真环境下障碍物信息生成方法和装置 |
CN112596542A (zh) * | 2020-12-11 | 2021-04-02 | 广州极飞科技有限公司 | 数据处理方法和装置、电子设备及存储介质 |
CN112541437A (zh) * | 2020-12-15 | 2021-03-23 | 北京百度网讯科技有限公司 | 车辆定位方法、装置、电子设备及存储介质 |
CN112579724A (zh) * | 2020-12-24 | 2021-03-30 | 广州小马智行科技有限公司 | 语义地图的构建方法、构建装置、处理器和车辆*** |
CN112785641A (zh) * | 2021-01-13 | 2021-05-11 | 北京小马慧行科技有限公司 | 智能驾驶车辆的检测方法、控制方法和处理器 |
CN112883132A (zh) * | 2021-01-15 | 2021-06-01 | 北京小米移动软件有限公司 | 语义地图生成方法、语义地图生成装置、以及电子设备 |
CN112883132B (zh) * | 2021-01-15 | 2024-04-30 | 北京小米移动软件有限公司 | 语义地图生成方法、语义地图生成装置、以及电子设备 |
CN113836445A (zh) * | 2021-09-16 | 2021-12-24 | 北京百度网讯科技有限公司 | 语义化方法、装置、电子设备及可读存储介质 |
CN113968235A (zh) * | 2021-11-30 | 2022-01-25 | 广州文远知行科技有限公司 | 一种障碍物的区域层级确定方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020173188A1 (zh) | 2020-09-03 |
US12025451B2 (en) | 2024-07-02 |
CN110032181B (zh) | 2022-05-17 |
US20210390730A1 (en) | 2021-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110032181A (zh) | 语义地图中障碍物定位方法、装置、计算机设备和存储介质 | |
CN109901138B (zh) | 激光雷达标定方法、装置、设备和存储介质 | |
Yang et al. | Generating lane-based intersection maps from crowdsourcing big trace data | |
CN111178253A (zh) | 自动驾驶的视觉感知方法、装置、计算机设备和存储介质 | |
KR20180068511A (ko) | 영상에 포함된 도로와 관련된 정보를 결정하는 뉴럴 네트워크를 학습시키는 학습 데이터를 생성하는 장치 및 방법 | |
Yang et al. | Automatic change detection in lane-level road networks using GPS trajectories | |
KR102167414B1 (ko) | 드론을 이용한 교통법규 위반차량 단속 서비스 제공 시스템 및 방법 | |
CN105335597B (zh) | 用于获取路线的轨迹模式的方法和*** | |
CN105324729B (zh) | 用于模型化车辆的周围环境的方法 | |
CN112212874A (zh) | 车辆轨迹预测方法、装置、电子设备及计算机可读介质 | |
Elghazaly et al. | High-definition maps: Comprehensive survey, challenges and future perspectives | |
CN110047276A (zh) | 障碍物车辆的拥堵状态确定方法、装置和相关产品 | |
CN109163722A (zh) | 一种仿人机器人路径规划方法及装置 | |
Li et al. | An improved traffic lights recognition algorithm for autonomous driving in complex scenarios | |
CN110986945A (zh) | 基于语义高度地图的局部导航方法和*** | |
CN112356027B (zh) | 农林机器人避障方法、装置、计算机设备和存储介质 | |
CN111753639A (zh) | 感知地图生成方法、装置、计算机设备和存储介质 | |
CN111353510A (zh) | 多传感器目标检测方法、装置、计算机设备和存储介质 | |
TAŞ et al. | Updating HD-maps for autonomous transfer vehicles in smart factories | |
Yang et al. | Enhanced visual SLAM for construction robots by efficient integration of dynamic object segmentation and scene semantics | |
CN114459483B (zh) | 基于机器人导航用地标导航地图构建与应用方法、*** | |
Rezaei et al. | A deep learning-based approach for vehicle motion prediction in autonomous driving | |
CN116383410A (zh) | 灯路关系知识图谱构建、关系预测、自动驾驶方法 | |
Tas et al. | High-definition map update framework for intelligent autonomous transfer vehicles | |
CN116071728A (zh) | 基于transformer和姿态估计的行人轨迹预测方法及存储介质 |
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 |