CN110986970A - 一种轨迹点与交通标志位置优化方法及*** - Google Patents

一种轨迹点与交通标志位置优化方法及*** Download PDF

Info

Publication number
CN110986970A
CN110986970A CN201911332019.5A CN201911332019A CN110986970A CN 110986970 A CN110986970 A CN 110986970A CN 201911332019 A CN201911332019 A CN 201911332019A CN 110986970 A CN110986970 A CN 110986970A
Authority
CN
China
Prior art keywords
data
track
traffic sign
observation
point
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.)
Pending
Application number
CN201911332019.5A
Other languages
English (en)
Inventor
尹玉成
赵彦植
朱紫威
刘奋
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.)
Heading Data Intelligence Co Ltd
Original Assignee
Heading Data Intelligence 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 Heading Data Intelligence Co Ltd filed Critical Heading Data Intelligence Co Ltd
Priority to CN201911332019.5A priority Critical patent/CN110986970A/zh
Publication of CN110986970A publication Critical patent/CN110986970A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G01C21/32—Structuring or formatting of map data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种轨迹点与交通标志位置优化方法及***，属于自动驾驶领域。该方法包括：对众包采集源数据中的轨迹数据及交通标志数据进行预处理，并去除所述轨迹数据及交通标志数据中的噪声；基于轨迹点运动规律及观测值，通过建立轨迹点的图优化模型，优化所述轨迹数据中的轨迹点位置；获取所述轨迹数据中轨迹点对交通标志的观测数据，基于优化后的轨迹点位置，通过BA算法建立图优化模型优化所述交通标志数据中的交通标志位置。通过该方案可以高效准确地对基于众包低成本设备采集的相对低精度的轨迹点及交通标志位置进行整体优化，可提高众包低成本采集模式下的高精度地图的数据精度，在采集数据量不足时，保障高精度地图精度。

Description

一种轨迹点与交通标志位置优化方法及***
技术领域
本发明涉及自动驾驶领域，尤其涉及一种轨迹点与交通标志位置优化方法及***。
背景技术
在自动驾驶中，高精度地图的制作是一项耗时长、成本高的工程任务，传统的地图制作方法已难以满足现代高精度地图的驾驶需求。在大数据环境下，采用低成本硬件进行众包采集从而生成高精度地图的方式能较好的匹配高精度地图的成本要求，但大量低成本采集的众包数据很多达不到自动驾驶中的高精度地图精度要求。
针对众包数据庞杂且精度难以达到要求的问题，当前多采用计算大量低成本众包数据的密度分布来逼近真值的方式，这种方式对众包采集数据的数据量有较高的要求。在相对偏僻的道路，众包车采集难以完全覆盖，数据量难以达到要求，从而会导致高精度地图的精度降低，难以满足自动驾驶的市场要求。
发明内容
有鉴于此，本发明实施例提供了一种轨迹点与交通标志位置优化方法及***，用于解决在采集的数据量未达到要求时，高精度地图数据的精度降低的问题。
在本发明实施例的第一方面，提供了一种轨迹点与交通标志位置优化方法，包括：
对众包采集源数据中的轨迹数据及交通标志数据进行预处理，并去除所述轨迹数据及交通标志数据中的噪声；
基于轨迹点运动规律及观测值，通过建立轨迹点的图优化模型，优化所述轨迹数据中的轨迹点位置；
获取所述轨迹数据中轨迹点对交通标志的观测数据，所述观测数据至少包括观测距离和观测角度，基于优化后的轨迹点位置，通过BA算法建立图优化模型优化所述交通标志数据中的交通标志位置。
在本发明实施例的第二方面，提供了一种轨迹点与交通标志位置优化***，包括：
预处理模块，用于对众包采集源数据中的轨迹数据及交通标志数据进行预处理，并去除所述轨迹数据及交通标志数据中的噪声；
轨迹点优化模块，用于基于轨迹点运动规律及观测值，通过建立轨迹点的图优化模型，优化所述轨迹数据中的轨迹点位置；
交通标志优化模块，用于获取所述轨迹数据中轨迹点对交通标志的观测数据，所述观测数据至少包括观测距离和观测角度，基于优化后的轨迹点位置，通过BA算法建立图优化模型优化所述交通标志数据中的交通标志位置。
本发明实施例中，对采集的众包数据预处理去除噪声后，基于轨迹点运动规律及观测值，构建轨迹点的图优化模型，优化轨迹点位置，再获取交通标志位置、观测点位置及车辆航向角，基于优化后的轨迹点通过BA算法建立图优化模型优化交通标志位置。在实施例的技术方案中，对于众包数据，基于轨迹运动模型及BA算法，形成图优化模型，进而可以实现准确快速的对轨迹点及交通标志位置进行优化，可以提高高精度地图数据的精度，减少对采集众包数据量的要求，同时可以降低优化的时耗及计算量，进而大大降低高精度地图的众包数据采集及更新优化成本，实现对大量级的众包数据进行优化处理，便于高精度地图制作更新。
附图说明
图1为本发明实施例提供的一种轨迹点与交通标志位置优化方法的流程示意图；
图2为本发明实施例提供的基于轨迹点优化交通标志的原理示意图；
图3为本发明实施例提供的一种轨迹点与交通标志位置优化***的结构示意图。
具体实施方式
本发明实施例提供了一种轨迹点与交通标志位置优化方法及***，可以实现对基于众包低成本设备采集的相对低精度的轨迹点及交通标志位置进行整体优化，从而提高高精度地图的精度，并降低制作成本。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一：
在自动驾驶的高精度地图制作过程中，传统高精度测绘设备采集高精度地图原始数据进行产线工具集中式构图成本太高，且采集的众包数据量也要求较高，通过大量低成本众包采集车的方式来进行分布式大数据构图可以有效降低成本，但由于存在大量低精度的众包数据，需要在不增加硬件成本的前提下有效提升众包数据中轨迹点及交通标志等关键地图参数的精度，同时降低对采集数据量的要求。
请参阅图1，本发明实施例提供的一种轨迹点与交通标志位置优化方法的流程示意图，包括：
S101、对众包采集源数据中的轨迹数据及交通标志数据进行预处理，并去除所述轨迹数据及交通标志数据中的噪声；
所述众包数据为多辆汽车采集的地图数据，所述众包数据中包括轨迹数据及交通标志数据。所述轨迹数据为采集车辆的运动轨迹数据，包括轨迹点位置、轨迹点运动方向、轨迹点运动速度及加速度，所述交通标志数据包含有轨迹点对交通标志的观测数据，需要注意的是，所述轨迹数据与所述交通标志数据对应为同一车辆采集，每一个众包数据由单独采集车辆采集形成，同一车辆可以采集多个众包数据。
其中，所述交通标志一般包括交通信号灯和交通标志牌，所述交通信号灯和交通标志牌的观测角度存在差异。
在通过摄像头或雷达等设备采集的轨迹数据及交通标志数据中，存在有噪声干扰，通过噪声滤除可有效提升轨迹数据处理的精确度。
具体的，对所述众包数据中小于预定速度的轨迹点数据进行零值处理，对小于预定时间间隔采集的轨迹点进行归一化处理，即低时间间隔的轨迹点进行归一化，并滤除所述轨迹数据及交通标志数据中大于预定频率的高频噪声或小于预定频率的低频噪声，即滤除高频噪声和低频噪声。
S102、基于轨迹点运动规律及观测值，通过建立轨迹点的图优化模型，优化所述轨迹数据中的轨迹点位置；
所述轨迹点运动规律为符合物体运动定律，根据物体运动定律可以计算物体运动的位置及速度变化，所述观测值为轨迹点某一位置的采样数据，采样数据中一般有轨迹点位置、速度、加速度、方向等。在本实施中，基于轨迹点运动规律及观测值，可以构建运动方程及观测方程。
具体的，分别建立轨迹点的运动方程及观测方程；设定观测误差为轨迹点与观测点差值，通过最小二乘法求取所有观测误差的最小值；根据所述所有观测误差的最小值，建立图优化模型，优化轨迹点位置。
示例性的，假设轨迹点为匀速运动模型(以时间为序)，可将轨迹点运动分解为x和y方向，并设定
vx：t时刻轨迹点x方向的速度
vy：t时刻轨迹点y方向的速度
ax：t时刻轨迹点x方向加速度
ay：t时刻轨迹点y方向加速度
px：t时刻轨迹点x方向位置
py：t时刻轨迹点y方向位置
v0：轨迹的起始位置
vk：轨迹点在k处的速度
pk：轨迹点在k处的位置(观测值)
则待优化轨迹点变量为sx和sy。
根据运动和观测方程建立方法：
运动方程：vx,k+1＝vx,k+ax,k*t；vy,k+1＝vy,k+ay,k*t；
观测方程：sx,k+1＝sx,k+1/2*t*(vx,k+vx,k+1)
sy,k+1＝sy,k+1/2*t*(vy,k+vy,k+1)
Figure BDA0002329889360000051
此时，观测点误差为：e＝px–s；
将所有的误差项利用最小二乘的方法求最小值：
Figure BDA0002329889360000052
进而可以得到优化后的轨迹点位置(sx，sy)。
S103、获取所述轨迹数据中轨迹点对交通标志的观测数据，基于优化后的轨迹点位置，通过BA算法建立图优化模型优化所述交通标志数据中的交通标志位置。
所述观测数据至少包括观测距离和观测角度，观测距离即采集车辆与交通标志间的距离，观测角度即车辆航向与交通标志间的角度。当交通标志出现在车辆视野中，则记录该轨迹点对应的观测数据。
具体的，预先设定交通标志位置、车辆的观测角度及观测距离，当交通标志出现在车辆视野中，形成一组观测数据；一般的，可预先根据采集车辆对既定位置的交通标志采集观测数据，构建观测方程。
根据多组观测数据，建立车辆对交通标志的观测方程：
Figure BDA0002329889360000061
Figure BDA0002329889360000062
其中，ri,j,k为轨迹点在k处的观测距离，pi,x,k为轨迹点在x方向的位置，pi,y,k为轨迹点在y方向的位置，sj,x为待优化轨迹点在x方向的位置，sj,y为待优化轨迹点在y方向的位置，bi,j,k为轨迹点在k处的航向角，θ为初始航向角，vy,k为轨迹点在y方向的速度，vx,k为轨迹点在x方向的速度。
将实际采集的多组观测数据代入方程，并基于优化后的轨迹点可以求取待优化的交通标志位置，如图2所示，交通标志01表示待优化的交通标志位置，一般一条轨迹上交通标志有多个，可以依次进行编号，对同一个交通标志01，存在多个观测点，即多个轨迹点可以观测到交通标志01，假设轨迹点201为第一个可以观测的位置，存在其他可以观测的轨迹点202和203，当然可以观测的轨迹点可以有多个，在此不够成任何限定。当轨迹点201、202和203均为优化后的轨迹点，则根据观测方程，通过BA算法可以建立图优化模型进行优化，所述图优化模型可以对多个交通标志位置进行优化。
示例性的，建立BA优化模型，且观测量为R和B，R为交通标志及观测点位置，B为车辆航向角。
设定待优化变量的交通标志位置坐标(x,y)，根据车辆运动及观测模型，存在观测方程：
Figure BDA0002329889360000063
Figure BDA0002329889360000064
根据BA算法原理建立图优化模型，求解最小二乘问题，利用图优化模型得到优化后的交通标志位置坐标(x,y)。
本实施例提供的方案中，采集观测数据，基于车辆运动规律建立数学模型，并通过图优化模型对轨迹点及交通标志的位置优化，能实现高效准确的数据优化，提升众包数据精度从而降低更新采集成本，而且基于二乘法的求解可以简化优化模型。
实施例二：
图3为本发明实施例二提供的轨迹点与交通标志位置优化***的结构示意图，包括：
预处理模块310，用于对众包采集源数据中的轨迹数据及交通标志数据进行预处理，并去除所述轨迹数据及交通标志数据中的噪声；
轨迹点优化模块320，用于基于轨迹点运动规律及观测值，通过建立轨迹点的图优化模型，优化所述轨迹数据中的轨迹点位置；
可选的，所述去除所述轨迹数据及交通标志数据中的噪声包括：
对所述众包数据中小于预定速度的轨迹点进行零值处理、对小于预定时间间隔采集的轨迹点进行归一化处理以及滤除所述轨迹数据及交通标志数据中大于预定频率的高频噪声或小于预定频率的低频噪声。
可选的，所述轨迹点优化模块320包括：
构建单元，用于分别建立轨迹点的运动方程及观测方程；
计算单元，用于设定观测误差为轨迹点与观测点差值，通过最小二乘法求取所有观测误差的最小值；
优化单元，用于根据所述所有观测误差的最小值，建立图优化模型，优化轨迹点位置。
交通标志优化模块330，用于获取所述轨迹数据中轨迹点对交通标志的观测数据，所述观测数据至少包括观测距离和观测角度，基于优化后的轨迹点位置，通过BA算法建立图优化模型优化所述交通标志数据中的交通标志位置。
可选的，所述获取所述轨迹数据中轨迹点对交通标志的观测数据还包括：
预先设定交通标志位置、车辆的观测角度及观测距离，当交通标志出现在车辆视野中，形成一组观测数据；
根据多组观测数据，建立车辆对交通标志的观测方程：
Figure BDA0002329889360000081
Figure BDA0002329889360000082
其中，ri,j,k为轨迹点在k处的观测距离，pi,x,k为轨迹点在x方向的位置，pi,y,k为轨迹点在y方向的位置，sj,x为待优化轨迹点在x方向的位置，sj,y为待优化轨迹点在y方向的位置，bi,j,k为轨迹点在k处的航向角，θ为初始航向角，vy,k为轨迹点在y方向的速度，vx,k为轨迹点在x方向的速度。
本实施例***中，基于轨迹点优化模块及交通标志优化模块，可以实现对众包数据中的轨迹点和交通标志进行优化，保障众包数据的精度，进而可以降低众包数据采集成本。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种轨迹点与交通标志位置优化方法，其特征在于，包括：
对众包采集源数据中的轨迹数据及交通标志数据进行预处理，并去除所述轨迹数据及交通标志数据中的噪声；
基于轨迹点运动规律及观测值，通过建立轨迹点的图优化模型，优化所述轨迹数据中的轨迹点位置；
获取所述轨迹数据中轨迹点对交通标志的观测数据，所述观测数据至少包括观测距离和观测角度，基于优化后的轨迹点位置，通过BA算法建立图优化模型优化所述交通标志数据中的交通标志位置。
2.根据权利要求1所述的方法，其特征在于，所述去除所述轨迹数据及交通标志数据中的噪声包括：
对所述众包数据中小于预定速度的轨迹点进行零值处理、对小于预定时间间隔采集的轨迹点进行归一化处理、滤除所述轨迹数据及交通标志数据中大于预定频率的高频噪声或小于预定频率的低频噪声。
3.根据权利要求1所述的方法，其特征在于，所述基于轨迹点运动规律及观测值，通过建立轨迹点的图优化模型，优化所述轨迹数据中的轨迹点位置具体为：
分别建立轨迹点的运动方程及观测方程；
设定观测误差为轨迹点与观测点差值，通过最小二乘法求取所有观测误差的最小值；
根据所述所有观测误差的最小值，建立图优化模型，优化轨迹点位置。
4.根据权利要求1所述的方法，其特征在于，所述获取所述轨迹数据中轨迹点对交通标志的观测数据还包括：
预先设定交通标志位置、车辆的观测角度及观测距离，当交通标志出现在车辆视野中，形成一组观测数据；
根据多组观测数据，建立车辆对交通标志的观测方程：
Figure FDA0002329889350000021
Figure FDA0002329889350000022
其中，ri,j,k为轨迹点在k处的观测距离，pi,x,k为轨迹点在x方向的位置，pi,y,k为轨迹点在y方向的位置，sj,x为待优化轨迹点在x方向的位置，sj,y为待优化轨迹点在y方向的位置，bi,j,k为轨迹点在k处的航向角，θ为初始航向角，vy,k为轨迹点在y方向的速度，vx,k为轨迹点在x方向的速度。
5.一种轨迹点与交通标志位置优化***，其特征在于，包括：
预处理模块，用于对众包采集源数据中的轨迹数据及交通标志数据进行预处理，并去除所述轨迹数据及交通标志数据中的噪声；
轨迹点优化模块，用于基于轨迹点运动规律及观测值，通过建立轨迹点的图优化模型，优化所述轨迹数据中的轨迹点位置；
交通标志优化模块，用于获取所述轨迹数据中轨迹点对交通标志的观测数据，所述观测数据至少包括观测距离和观测角度，基于优化后的轨迹点位置，通过BA算法建立图优化模型优化所述交通标志数据中的交通标志位置。
6.根据权利要求5所述的***，其特征在于，所述去除所述轨迹数据及交通标志数据中的噪声包括：
对所述众包数据中小于预定速度的轨迹点进行零值处理、对小于预定时间间隔采集的轨迹点进行归一化处理以及滤除所述轨迹数据及交通标志数据中大于预定频率的高频噪声或小于预定频率的低频噪声。
7.根据权利要求1所述的***，其特征在于，所述轨迹优化模块包括：
构建单元，用于分别建立轨迹点的运动方程及观测方程；
计算单元，用于设定观测误差为轨迹点与观测点差值，通过最小二乘法求取所有观测误差的最小值；
优化单元，用于根据所述所有观测误差的最小值，建立图优化模型，优化轨迹点位置。
8.根据权利要求1所述的***，其特征在于，所述获取所述轨迹数据中轨迹点对交通标志的观测数据还包括：
预先设定交通标志位置、车辆的观测角度及观测距离，当交通标志出现在车辆视野中，形成一组观测数据；
根据多组观测数据，建立车辆对交通标志的观测方程：
Figure FDA0002329889350000031
Figure FDA0002329889350000032
其中，ri,j,k为轨迹点在k处的观测距离，pi,x,k为轨迹点在x方向的位置，pi,y,k为轨迹点在y方向的位置，sj,x为待优化轨迹点在x方向的位置，sj,y为待优化轨迹点在y方向的位置，bi,j,k为轨迹点在k处的航向角，θ为初始航向角，vy,k为轨迹点在y方向的速度，vx,k为轨迹点在x方向的速度。
CN201911332019.5A 2019-12-21 2019-12-21 一种轨迹点与交通标志位置优化方法及*** Pending CN110986970A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911332019.5A CN110986970A (zh) 2019-12-21 2019-12-21 一种轨迹点与交通标志位置优化方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911332019.5A CN110986970A (zh) 2019-12-21 2019-12-21 一种轨迹点与交通标志位置优化方法及***

Publications (1)

Publication Number Publication Date
CN110986970A true CN110986970A (zh) 2020-04-10

Family

ID=70073967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911332019.5A Pending CN110986970A (zh) 2019-12-21 2019-12-21 一种轨迹点与交通标志位置优化方法及***

Country Status (1)

Country Link
CN (1) CN110986970A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012056409A (ja) * 2010-09-08 2012-03-22 Kyosan Electric Mfg Co Ltd 列車制御装置及び列車制御方法
CN106441292A (zh) * 2016-09-28 2017-02-22 哈尔滨工业大学 一种基于众包imu惯导数据的楼宇室内平面图建立方法
CN107014389A (zh) * 2017-03-03 2017-08-04 重庆大学 一种基于多源城市数据的个性化省油行车路线规划***
CN109215347A (zh) * 2018-10-22 2019-01-15 北京航空航天大学 一种基于众包轨迹数据的交通数据质量控制方法
CN109677405A (zh) * 2018-12-14 2019-04-26 中南民族大学 一种基于不完备车道线信息的车辆偏离预警方法及***
CN110276952A (zh) * 2019-06-27 2019-09-24 武汉中海庭数据技术有限公司 一种交通信息模拟采集方法及装置
CN110543473A (zh) * 2019-08-20 2019-12-06 武汉中海庭数据技术有限公司 一种众包数据融合优化方法、装置及存储介质
CN110553652A (zh) * 2019-10-12 2019-12-10 上海高仙自动化科技发展有限公司 机器人多传感器融合定位方法及其应用

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012056409A (ja) * 2010-09-08 2012-03-22 Kyosan Electric Mfg Co Ltd 列車制御装置及び列車制御方法
CN106441292A (zh) * 2016-09-28 2017-02-22 哈尔滨工业大学 一种基于众包imu惯导数据的楼宇室内平面图建立方法
CN107014389A (zh) * 2017-03-03 2017-08-04 重庆大学 一种基于多源城市数据的个性化省油行车路线规划***
CN109215347A (zh) * 2018-10-22 2019-01-15 北京航空航天大学 一种基于众包轨迹数据的交通数据质量控制方法
CN109677405A (zh) * 2018-12-14 2019-04-26 中南民族大学 一种基于不完备车道线信息的车辆偏离预警方法及***
CN110276952A (zh) * 2019-06-27 2019-09-24 武汉中海庭数据技术有限公司 一种交通信息模拟采集方法及装置
CN110543473A (zh) * 2019-08-20 2019-12-06 武汉中海庭数据技术有限公司 一种众包数据融合优化方法、装置及存储介质
CN110553652A (zh) * 2019-10-12 2019-12-10 上海高仙自动化科技发展有限公司 机器人多传感器融合定位方法及其应用

Similar Documents

Publication Publication Date Title
CN111307162B (zh) 用于自动驾驶场景的多传感器融合定位方法
CN110780305B (zh) 一种基于多线激光雷达的赛道锥桶检测及目标点追踪方法
CN111324848B (zh) 移动激光雷达测量***车载轨迹数据优化方法
CN109459045B (zh) 一种针对低频gps轨迹的改进交互式投票匹配方法
CN117836653A (zh) 一种基于车载定位装置的路侧毫米波雷达校准方法
DE102013107861A1 (de) Tracking von Strassen-Fahrzeugen mit Sensoren unterschiedlicher Ausführungsarten
CN104677361B (zh) 一种综合定位的方法
CN111176269B (zh) 车辆的航向调整方法、装置、车辆及存储介质
CN110276952B (zh) 一种交通信息模拟采集方法及装置
CN113358112B (zh) 一种地图构建方法及一种激光惯性里程计
CN110543473B (zh) 一种众包数据融合优化方法、装置及存储介质
CN110795978B (zh) 路面点云数据提取方法、装置、存储介质及电子设备
CN114323050B (zh) 车辆定位方法、装置和电子设备
CN114488094A (zh) 一种车载多线激光雷达与imu外参数自动标定方法及装置
CN110796876A (zh) 基于卡尔曼滤波的路段车辆总数估计方法
DE102020126973A1 (de) Verfahren und system zur lokalisierten fahrspurwahrnehmung
CN112193239A (zh) 自动泊车控制***中的轨迹计算方法、设备及存储设备
CN110705595B (zh) 一种基于背包式三维激光点云数据的停车位自动提取方法
CN113985405A (zh) 障碍物检测方法、应用于车辆的障碍物检测设备
CN107561489B (zh) 基于异常检测的mls无源测向定位方法
CN110717141A (zh) 一种车道线优化方法、装置及存储介质
Joshi Novel metrics for map-matching in in-vehicle navigation systems
CN112539747B (zh) 一种基于惯性传感器和雷达的行人航位推算方法和***
CN114137562A (zh) 一种基于改进全局最邻近的多目标跟踪方法
CN110986970A (zh) 一种轨迹点与交通标志位置优化方法及***

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