CN111391823A - 一种用于自动泊车场景的多层地图制作方法 - Google Patents
一种用于自动泊车场景的多层地图制作方法 Download PDFInfo
- Publication number
- CN111391823A CN111391823A CN201911380007.XA CN201911380007A CN111391823A CN 111391823 A CN111391823 A CN 111391823A CN 201911380007 A CN201911380007 A CN 201911380007A CN 111391823 A CN111391823 A CN 111391823A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- information
- vehicle
- time
- parking space
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000003068 static effect Effects 0.000 claims abstract description 89
- 230000004888 barrier function Effects 0.000 claims abstract description 44
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims description 25
- 238000013519 translation Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 239000000126 substance Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/06—Automatic manoeuvring for parking
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种用于自动泊车场景的多层地图制作方法,包括获取车辆附近障碍物的障碍物第一信息、车道线信息、车位信息、障碍物第二信息及障碍物第三信息;基于同一时刻下的障碍物第一信息、障碍物第二信息和障碍物第三信息得到融合后的障碍物信息以及障碍物跟踪轨迹,并确定出动态障碍物或静态障碍物,基于动态障碍物构建动态障碍物地图层,基于静态障碍物构建静态障碍物地图层;基于车道线信息、车位信息和环境静态障碍物对应的融合后的障碍物信息构建矢量地图层;将得到的多个地图层组合得到多层地图。本发明实施例进行障碍物信息的融合,不仅使得融合后得到的障碍物信息更为准确,而且可以为后续制作多层地图提供更加丰富的障碍物信息。
Description
技术领域
本发明涉及自动驾驶技术领域,特别是涉及一种用于自动泊车场景的多层地图制作方法。
背景技术
现有技术中,无人驾驶及高级驾驶辅助***的地图通常分为两种。
第一种,是利用专业采集设备提前制作用于导航定位的地图或高精地图,使用到昂贵的采集设备,采集数据经过繁琐的后期处理,与云端服务器平台交互,并进行定期更新维护,且并不包含地下或地上停车场详细信息,不适合自动泊车***使用。一些现有技术在制作地图时需要预先完成地图制作且依赖于激光雷达,成本较高,另外,还需安装额外的传感器,增加了额外安装的成本。
第二种,利用车载传感器***构建实时地图,用于车辆实时避障导航。该类制图方式可以用于自动泊车相关应用场景。一些现有技术基于车载毫米波雷达和视觉传感器制作的地图,其功能单一,只能用于障碍物的检测,不支持基于地图的定位及路径规划功能。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的用于自动泊车场景的多层地图制作方法。
依据本发明一方面,提供了一种用于自动泊车场景的多层地图制作方法,包括:
获取车辆附近障碍物的包含障碍物类别信息、障碍物类别置信度、障碍物方位信息的障碍物第一信息、车道线信息及车位信息,获取包含障碍物方位信息的障碍物第二信息,以及获取包含障碍物回波信噪比、障碍物速度信息、障碍物方位信息的障碍物第三信息;
基于同一时刻下的所述障碍物第一信息、障碍物第二信息和障碍物第三信息进行信息融合得到融合后的障碍物信息,基于融合后的障碍物信息采用预置跟踪算法进行障碍物跟踪,得到障碍物跟踪轨迹;
依据障碍物跟踪轨迹将障碍物确定为动态障碍物或静态障碍物,基于动态障碍物对应的融合后的障碍物信息构建动态障碍物地图层,基于静态障碍物对应的融合后的障碍物信息构建静态障碍物地图层,其中,所述静态障碍物包含依据所述障碍物类别信息划分的能够移动的可移动静态障碍物和不能够移动的环境静态障碍物;
基于车道线信息、车位信息和环境静态障碍物对应的融合后的障碍物信息构建矢量地图层;
将所述动态障碍物地图层、静态障碍物地图层和矢量地图层组合得到多层地图。
可选地,所述障碍物第一信息来自车载相机***,所述障碍物第二信息来自车载超声波雷达***,所述障碍物第三信息来自车载毫米波雷达***,所述基于同一时刻下的所述障碍物第一信息、障碍物第二信息和障碍物第三信息进行信息融合得到融合后的障碍物信息,包括:
定义所述车载毫米波雷达***每一帧运行耗时ΔTr,车载相机***每一帧运行实际耗时ΔTc,车载超声波雷达***每一帧运行耗时ΔTu;
将在t0+Δtc时刻获取的障碍物第一信息转换为t0时刻的障碍物第一信息,t0为ΔTr时间内融合时间起点,其中,t0+Δtc<t0+ΔTr;
将在t0+Δtu时刻获取的障碍物第二信息转换为t0时刻的障碍物第二信息,其中,t0+Δtu<t0+ΔTr;
将t0时刻的障碍物第一信息、t0时刻的障碍物第二信息和t0时刻的障碍物第三信息分别包含的障碍物方位信息求加权平均,且保留t0+Δtc时刻障碍物第一信息中的类别信息、类别置信度和t0时刻的障碍物第三信息中的回波信噪比、速度信息;
将加权平均后的障碍物方位信息与保留的类别信息、类别置信度、回波信噪比、速度信息组合,将组合得到的障碍物信息作为融合后的障碍物信息。
可选地,将在t0+Δtc时刻获取的障碍物第一信息转换为t0时刻的障碍物第一信息,包括:
获取车辆位姿变化信息,所述车辆位姿变化信息包括车辆坐标系下的车辆位置变化信息和车辆的车头转角,其中,所述车辆坐标系以车辆后轴中心为原点,后轴中心指向前轴中心的方向为x方向,y方向垂直于x轴方向沿后轴向左;
依据车辆坐标系下的位置变化信息和车头转角确定出t0+Δtc时刻车辆坐标系相对于t0时刻车辆坐标系的旋转平移矩阵;
从t0+Δtc时刻获取的障碍物第一信息中提取方位信息并作为第一方位信息,将第一方位信息基于t0+Δtc时刻车辆坐标系相对于t0时刻车辆坐标系的旋转平移矩阵转换为t0时刻的第一方位信息;
将t0时刻的第一方位信息与t0+Δtc时刻的障碍物第一信息中的类别信息和类别置信度组合,得到t0时刻的障碍物第一信息。
可选地,将在t0+Δtu时刻获取的障碍物第二信息转换为t0时刻的障碍物第二信息,包括:
依据车辆坐标系下的车辆位置变化信息和车头转角确定出t0+Δtu时刻车辆坐标系相对于t0时刻车辆坐标系的旋转平移矩阵;
从t0+Δtu时刻获取的障碍物第二信息中提取方位信息并作为第二方位信息,将第二方位信息基于t0+Δtu时刻车辆坐标系相对于t0时刻车辆坐标系的旋转平移矩阵转换为t0时刻的第二方位信息,以得到t0时刻的障碍物第二信息。
可选地,基于动态障碍物对应的融合后的障碍物信息构建动态障碍物地图层,基于静态障碍物对应的融合后的障碍物信息构建静态障碍物地图层之前,还包括:
将车辆初始位置对应的车辆坐标系定义为世界坐标系;
依据车辆坐标系下的车辆位置变化信息和车头转角确定出每一时刻车辆坐标系相对于世界坐标系的旋转平移关系;
依据每一时刻融合后的障碍物信息和对应时刻车辆坐标系相对于世界坐标系的旋转平移关系,确定出基于世界坐标系的融合后的障碍物信息。
可选地,依据障碍物跟踪轨迹将相应的障碍物确定为动态障碍物或静态障碍物,包括:
依据障碍物跟踪轨迹信息分析出障碍物速度信息小于指定速度且所述障碍物位置信息保持不变时,确定所述障碍物跟踪轨迹对应的障碍物为静态障碍物;
依据障碍物跟踪轨迹信息分析出障碍物速度信息不小于指定速度且所述障碍物位置信息随时间产生变化时,确定所述障碍物跟踪轨迹对应的障碍物为动态障碍物。
可选地,基于车道线信息、车位信息和环境静态障碍物对应的融合后的障碍物信息构建矢量地图层,包括:
依据每一时刻车载相机***检测的车道线信息和车位信息、以及每一时刻车辆坐标系相对于世界坐标系的旋转平移关系,确定出基于世界坐标系的车道线信息和车位信息;
基于世界坐标系的车道线信息和车位信息和环境静态障碍物对应的融合后的障碍物信息构建矢量地图层。
可选地,还包括:
从融合后的障碍物信息中提取障碍物方位信息和车位信息,其中,所述车位信息包括车位唯一标识、车位位置信息和车位占用标识;
基于提取到的障碍物的方位信息和车位信息分析相应的车位中是否存在障碍物;
若分析出车位中不存在障碍物,进一步确定所述车位占用标识是否表示未占用;
若确定出车位占用标识表示未占用,将不存在障碍物的车位作为可泊车的目标车位;
基于目标车位的车位信息和待泊车辆的位置信息,在所述多层地图的矢量地图层中为待泊车辆规划泊车路径;
在所述待泊车辆在沿所述泊车路径行驶过程中,基于动态障碍物地图层中动态障碍物的融合后的障碍物信息和静态障碍物地图层中可移动静态障碍物的融合后的障碍物信息,分析所述泊车路径上是否存在动态障碍物和/或可移动静态障碍物;
在分析出所述泊车路径上存在动态障碍物和/或可移动静态障碍物时,基于目标车位的车位信息和待泊车辆的当前位置信息在所述矢量地图层中为待泊车辆重新规划泊车路径。
可选地,还包括:
基于提取到的障碍物的方位信息和车位信息分析出对应的车位中存在障碍物时,进一步确定所述车位占用标识是否表示未占用;
若确定出车位占用标识表示未占用,将所述车位信息的车位占用标识更新为占用。
依据本发明另一方面,还提供了一种计算机存储介质,所述计算机存储介质存储有计算机程序代码,当所述计算机程序代码在计算设备上运行时,导致所述计算设备执行上文任意实施例中的用于自动泊车场景的多层地图制作方法。
本发明实施例的多层地图制作方法通过将获取的障碍物第一信息、障碍物第二信息、障碍物第三信息进行融合,不仅使得融合后得到的障碍物信息更为准确,而且可以为后续制作多层地图提供更加丰富的障碍物信息。通过将障碍物确定为动态障碍物或可移动静态障碍物或环境静态障碍物,并分别基于动态障碍物构建动态障碍物地图层,基于静态障碍物构建静态障碍物地图层,基于车道线信息、车位信息和环境静态障碍物构建动态障碍物地图层矢量地图层,不仅可以方便地将动态障碍物地图层、静态障碍物地图层和矢量地图层进行组合得到多层地图,而且该多层地图可以实时的展示车辆附近障碍物信息以有效地用于车辆自动泊车、无人驾驶、高级辅助驾驶技术等方面,实用性强。进一步地,采用该方法制作地图无需新增其他的外置设备,能够有效降低多层地图制作的成本。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
根据下文结合附图对本发明具体实施例的详细描述,本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了根据本发明一个实施例的用于自动泊车场景的多层地图制作方法的流程示意图;
图2示出了根据本发明一个实施例的障碍物信息融合过程示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
为解决上述技术问题,本发明实施例提供了一种用于自动泊车场景的多层地图制作方法。图1示出了根据本发明一个实施例的用于自动泊车场景的多层地图制作方法的流程示意图。参见图1,该方法至少包括步骤S102至步骤S110。
步骤S102,获取车辆附近障碍物的包含障碍物类别信息、障碍物类别置信度、障碍物方位信息的障碍物第一信息、车道线信息及车位信息,获取包含障碍物方位信息的障碍物第二信息,以及获取包含障碍物回波信噪比、障碍物速度信息、障碍物方位信息的障碍物第三信息。
本发明实施例中,障碍物类别信息指行人、自行车、地锁、交通路障等类别信息。障碍物类别置信度表示障碍物属于某一类别的概率,例如,障碍物类别为地锁,障碍物类别置信度表示障碍物属于地锁的概率。障碍物方位信息包含障碍物相对车辆方位和距离。车道线信息包含车道线的位置信息。车位信息包含车位的位置信息、车位是否被占用的标识信息等。
步骤S104,基于同一时刻下的障碍物第一信息、障碍物第二信息和障碍物第三信息进行信息融合得到融合后的障碍物信息,基于融合后的障碍物信息采用预置跟踪算法进行障碍物跟踪,得到障碍物跟踪轨迹。
在该实施例中,可以采用卡尔曼滤波算法以匀速运动模型对障碍物进行跟踪,每一帧障碍物信息经过卡尔曼滤波后,会将虚假障碍物信息剔除,而且能够有效克服障碍物丢帧现象,所谓丢帧是指该帧没能成功检测到障碍物。当然,还可以采用其他跟踪算法,本实施例对此不做具体限定。
步骤S106,依据障碍物跟踪轨迹将障碍物确定为动态障碍物或静态障碍物,基于动态障碍物对应的融合后的障碍物信息构建动态障碍物地图层,基于静态障碍物对应的融合后的障碍物信息构建静态障碍物地图层,其中,静态障碍物包含依据障碍物类别信息划分的能够移动的可移动静态障碍物和不能够移动的环境静态障碍物。
该实施例中,可移动静态障碍物可以包含车辆、行人、自行车、地锁、交通路障等,环境静态障碍物可以包含建筑物、植物等等,本实施例对此不做具体的限定。
步骤S108,基于车道线信息、车位信息和环境静态障碍物对应的融合后的障碍物信息构建矢量地图层。
步骤S110,将动态障碍物地图层、静态障碍物地图层和矢量地图层组合得到多层地图。
本发明实施例的多层地图制作方法通过将获取的障碍物第一信息、障碍物第二信息、障碍物第三信息进行融合,不仅使得融合后得到的障碍物信息更为准确,而且可以为后续制作多层地图提供更加丰富的障碍物信息。通过将障碍物确定为动态障碍物或可移动静态障碍物或环境静态障碍物,并分别基于动态障碍物构建动态障碍物地图层,基于静态障碍物构建静态障碍物地图层,基于车道线信息、车位信息和环境静态障碍物构建动态障碍物地图层矢量地图层,不仅可以方便地将动态障碍物地图层、静态障碍物地图层和矢量地图层进行组合得到多层地图,而且该多层地图可以实时的展示车辆附近障碍物信息以有效地用于车辆自动泊车、无人驾驶、高级辅助驾驶技术等方面,应用广泛,实用性强。
参见上文步骤S102,在本发明一实施例中,可以利用车载相机***检测包含障碍物类别信息、障碍物类别置信度、障碍物方位信息的障碍物第一信息、车道线信息及车位信息,以从车载相机***中获取障碍物第一信息、车道线信息及车位信息。该实施例中的车载相机***可以包含前视相机***,也可以包含环视相机***,无论哪种相机***均需要满足能够检测出障碍物第一信息、车道线信息及车位信息。
障碍物第一信息包含障碍物(障碍物可称为目标)类别信息(即目标类别)、障碍物类别置信度(即目标置信度)、障碍物方位信息(即目标方位),该实施例可以用c表示障碍物类别,s表示障碍物类别置信度。障碍物方位信息包括目标到车辆坐标系原点的距离rc、目标的方位角αc,其中,车辆坐标系可以设车辆后轴中心为原点,后轴中心指向前轴中心的方向为x方向,y方向垂直于x轴方向沿后轴向左。方位角αc表示x轴与原点和目标连线的夹角,αc∈[-180°,180°],由x轴转向原点和目标连线,顺时针方向为负,逆时针方向为正。这里,目标的方位角也可以用目标在车辆坐标系中的坐标信息(xc,yc)表示,xc表示x方向的坐标,yc表示y方向的坐标,并且满足关系:xc=rccos(αc),yc=rcsin(αc)。
车载相机***在t时刻输出的一帧图像中的障碍物第一信息包括一帧图像中可能包含多个障碍物,n表示第n个障碍物,Tt cn表示在t时刻车载相机***检测到的第n个障碍物的第一信息,下角标c用于标识车载相机***,其中,对于任一障碍物第一信息包含下角标c用于标识车载相机***,ct ci表示t时刻车载相机***检测的第i个障碍物的障碍物类别信息,st ci表示t时刻车载相机***检测的第i个障碍物的障碍物类别置信度,xt ci和yt ci表示t时刻车载相机***检测的第i个障碍物的障碍物方位信息,包括x方向坐标和y方向坐标。由此t时刻获取的障碍物第一信息为
车道线信息可以基于车辆坐标系进行描述,车道线表示为二次函数y=KX,X=(1,x,x2)T,其中,K=(k0,k1,k2)表示车道线在车辆坐标系下的方程系数,k0,k1,k2均为常数,T表示转置,x∈[x0,x1],x0、x1为获取车道线信息时一同获取到的常数。车载相机***t时刻输出的车道线信息包括lt(lt 1,lt 2,...,lt n),其中,lt i=(Kt i,xi),i小于等于n,Kt i表示t时刻第i个车道线在车辆坐标系下的方程系数,Kt i=(kt i0,kt i1,kt i2),kt i0,kt i1,kt i2均为常数,xi∈(xi0,xi1),xi0和xi1为获取车道线信息时获取到的常数。
车位信息可以用车位4个角点在车辆坐标系的坐标信息p1(x1,y1),p2(x2,y2),p3(x3,y3),p4(x4,y4)表示。该实施例中车位信息还可以包含车位ID和车位是否被占用的标识flag,例如,flag=0表示车位未被占用,flag=1表示车位被占用。该实施例中,t时刻输出车位信息包括Pts(pts1,pts2,...,ptsn),其中,ptsn表示t时刻第n个车位信息Ptsi=(Pt i1,Pt i2,Pt i3,Pt i4,IDt i,flagt i),Pt ij=(xtij,ytij),j=1,2,3,4,i表示第i个车位,i小于等于n,Pt ij表示第i个车位在t时刻的坐标信息,IDt i表示t时刻第i个车位的车位标识,flagt i表示t时刻第i个车位的车位是否被占用的标识。
在一个实施例中,可以利用车载超声波雷达***检测包含障碍物方位信息的障碍物第二信息,以从车载超声波雷达***中获取障碍物第二信息。车载超声波雷达***通常包含8颗或12颗超声波雷达。通过超声波雷达***可以获取障碍物在车辆坐标系中的距离ru及方位角αu,障碍物的方位角也可以用障碍物在车辆坐标系的中的坐标信息(xu,yu)表示,并且满足关系:xu=rucos(αu),yu=rusin(αu)。
在一个实施例中,可以利用车载毫米波雷达***检测包含障碍物回波信噪比、障碍物速度信息、障碍物方位信息的障碍物第三信息,以从车载毫米波雷达***中获取障碍物第三信息。该实施例的车载毫米波雷达***可以包含前雷达,角毫米波雷达等车身自带雷达***,通常情况下,在低速自主泊车应用场景,车载雷达***将工作在短距工作模式,此时毫米波雷达的分辨率比中远距工作模式高。障碍物的方位信息包含障碍物到原点的距离rr,障碍物方位角αr,障碍物的回波信噪比SNR(Signal to Noise Ratio),障碍物的速度vr。障碍物方位角可以用障碍物在车辆坐标系的位置信息(xr,yr)表示,并且满足关系:xr=rrcos(αr),yr=rrsin(αr)。定义毫米波雷达***在t时刻输出的第三信息包含其中,n表示n个障碍物,i表示第i个障碍物,i小于等于n,t表示第t时刻,下角标r用于标识毫米波雷达***,Tt ri表示t时刻毫米波雷达检测的第i个障碍物的第三信息,v表示障碍物的速度,SNR表示障碍物的回波信噪比,x和y表示障碍物的横坐标和纵坐标。
参见上文步骤S104,在本发明一实施例中,假设执行本方案的多层地图制作方法的***运行频率为Fmp Hz,则每一帧运行耗时ΔTmp=1/Fmp秒。假设车载相机***运行频率Fc Hz,则每一帧运行耗时ΔTc=1/Fc秒。假设车载毫米波雷达***的运行频率Fr Hz,则每一帧运行耗时ΔTr=1/Fr秒。假设车载超声波雷达***的运行频率FuHz,每一帧运行耗时ΔTu=1/Fu秒。假设Fr≤Fc,且Fr≤Fu,由此可以以毫米波雷达***的运行频率作为泊车制图***运行频率,即Fmp=Fr,ΔTmp=ΔTr。
具体的,基于同一时刻下的障碍物第一信息、障碍物第二信息和障碍物第三信息进行信息融合得到融合后的障碍物信息的步骤为S1041至步骤S1045。
S1041,根据上文介绍可以先定义车载毫米波雷达***每一帧运行耗时ΔTr,车载相机***每一帧运行实际耗时ΔTc,车载超声波雷达***每一帧运行耗时ΔTu。
S1042,将在t0+Δtc时刻获取的障碍物第一信息转换为t0时刻的障碍物第一信息,定义t0为ΔTr时间内融合时间起点,且需满足t0+Δtc<t0+ΔTr。
S1043,将在t0+Δtu时刻获取的障碍物第二信息转换为t0时刻的障碍物第二信息,且需满足t0+Δtu<t0+ΔTr。
S1044,将t0时刻的障碍物第一信息、t0时刻的障碍物第二信息和t0时刻的障碍物第三信息分别包含的障碍物方位信息求加权平均,保留t0+Δtc时刻障碍物第一信息中的类别信息、类别置信度和t0时刻的障碍物第三信息中的回波信噪比、速度信息。
S1045,将加权平均后的障碍物方位信息与保留的类别信息、类别置信度、回波信噪比、速度信息组合,将组合得到的障碍物信息作为融合后的障碍物信息。
在本发明一实施例中,在执行步骤S1042时,可以先获取车辆位姿变化信息,车辆位姿变化信息包括车辆坐标系下的车辆位置变化信息和车辆的车头转角。
该实施例中,车辆位姿变化信息可以由车载里程计***计算得到,车载里程计***可以由单个或多个相机、惯性测量单元、轮速计以及卫星定位***等组成。本发明假定车载里程计***可以计算每一时刻车辆位置相对上一时刻的位置变化关系,且车载里程计***运行频率Fo,远大于其他***的运行频率Fr、Fc及Fu,因此,可以认为任意时刻都可以获取车辆位姿变化信息。
该实施例中,车辆位姿变化信息包含车辆t+1时刻的车辆坐标系相对于t时刻的车辆坐标系的位置变化(Δxet t+1,Δyet t+1),t+1时刻相对于t时刻车头转角(即车辆坐标系x轴的旋转角)t+1时刻相对于t时刻车辆x轴方向的速度t+1时刻相对于t时刻车身旋转角速度这里所提到的e表示本车辆的意思。由此,车载里程计***在t+1时刻输出的车辆位姿变化信息可以表示为其中,e表示本车辆。
然后,依据车辆坐标系下的位置变化信息和车头转角确定出t0+Δtc时刻车辆坐标系相对于t0时刻车辆坐标系的旋转平移矩阵。
该实施例中,每一时刻车辆坐标系相对于上一时刻的旋转平移矩阵RTt t+1满足如下关系:其中,表示t时刻车辆坐标系下的坐标值在t=1时刻车辆坐标系中的坐标值。这里所提到的e表示本车辆的意思,表示t+1时刻相对于t时刻车头转角(即车辆坐标系x轴的旋转角),Δxet t+1,Δyet t+1表示车辆t+1时刻的车辆坐标系相对于t时刻的车辆坐标系的位置变化。
Δtc时间后,车载相机***检测到目标障碍物信息可以表示为Tc t0+Δtc表示在t0时刻开始后Δtc时间后车载相机***检测到的障碍物的第一信息,n表示第n个障碍物。t0+Δtc时刻车辆坐标系相对于t0时刻车辆坐标系的旋转平移矩阵为RTt0 t0+Δtc,
这里所提到的e表示本车辆的意思,表示从t0时刻之后Δtc时间的车头转角,Δxet0 t0+Δtc和Δyet0 t0+Δtc分别表示从t0时刻之后Δtc时间的车辆位置的横坐标和纵坐标值的变化值。进而,从t0+tc时刻获取的障碍物第一信息中提取方位信息并作为第一方位信息,将第一方位信息基于t0+tc时刻车辆坐标系相对于t0时刻车辆坐标系的旋转平移矩阵转换为t0时刻的第一方位信息。
最后,将t0时刻的第一方位信息与t0+tc时刻的障碍物第一信息中的类别信息cci t0+Δt和类别置信度sci t0+Δt组合,下角标c用于标识车载相机***,i表示第i个障碍物,得到t0时刻的障碍物第一信息。t0时刻的障碍物第一信息下角标c用于标识车载相机***,i表示第i个障碍物,非下角标中的c表示障碍物的类别,s表示障碍物的类别置信度,x和y表示障碍物的横纵坐标。
由此,将车载相机***t0+tc时刻检测到的障碍物第一信息都统一到了t0时刻车辆坐标系下。对任意落在时间区间[t0,t0+ΔTr)内的车载相机***检测的障碍物信息都可以采用上述方式统一到t0时刻,进而在后续与t0时刻的毫米波雷达检测结果进行融合。
在本发明一实施例中,在执行步骤S1043时,可以先依据车辆坐标系下的车辆位置变化信息和车头转角确定出t0+tu时刻车辆坐标系相对于t0时刻车辆坐标系的旋转平移矩阵RTt0 t0+Δtu。该实施例中,旋转平移矩阵RTt0 t0+Δtu为:
然后,从t0+tu时刻获取的障碍物第二信息中提取方位信息并作为第二方位信息,将第二方位信息基于t0+tu时刻车辆坐标系相对于t0时刻车辆坐标系的旋转平移矩阵转换为t0时刻的第二方位信息,以得到t0时刻的障碍物第二信息。
以t0时刻为起点,Δtu时间后,车载超声波雷达***检测到的障碍物信息为其中,下角标u用于标识超声波雷达***,n表示第n个障碍物,i表示第i个障碍物,i小于等于n,Tu t0+Δtu表示在t0时刻开始后Δtu时间后车载超声波雷达***检测到的障碍物的第二信息。
由此,车载超声波雷达***在t0+tu时刻检测到的障碍物第二信息统一到了t0时刻车辆坐标系下。对任意落在时间区间[t0,t0+ΔTr)内车载超声波***检测的障碍物信息都可以采用上述方式统一到t0时刻,进而在后续与t0时刻的毫米波雷达检测结果进行融合。
本发明实施例中,假设t0时刻车载毫米波雷达***检测到障碍物第三信息包含其中,n表示n个障碍物,i表示第i个障碍物,i小于等于n,下角标r用于标识车载毫米波雷达***,Tt0 ri表示t0时刻毫米波雷达检测的第i个障碍物的第三信息,v表示障碍物的速度,SNR表示障碍物的回波信噪比,x和y表示障碍物的横坐标和纵坐标。
参见上文步骤S1044,由于车载相机***、车载超声波雷达***及车载毫米波雷达***的性能指标及参数并不一样,所以多个***检测的障碍物信息的信息重叠部分可以进行关联聚类,不重叠部分的障碍物信息仍旧保留,如t0+tc时刻障碍物第一信息中的类别信息、类别置信度和t0时刻的障碍物第三信息中的回波信噪比、速度信息,以形成融合后的障碍物信息。其中,n表示n个障碍物,i表示第i个障碍物,i小于等于n,Ti t0表示t0时刻第i个障碍物融合后的障碍物信息,v表示障碍物的速度,SNR表示障碍物的回波信噪比,x和y表示障碍物的横坐标和纵坐标。
对于例如从车载超声波雷达***获取得到某一个障碍物信息,只包含方位信息,而不包含类别信息、类别置信度、回波信噪比及速度信息,那么可以表示为i表示第i个障碍物,xi t0和yi t0表示t0时刻第i个障碍物的横坐标和纵坐标。从车载相机***获取的障碍物信息可以表示为j表示第j个障碍物,cj t0+Δtc表示t0时刻开始Δtc时间后车载相机***检测的第j个障碍物的障碍物类别信息,sj t0+Δtc表示t0时刻开始Δtc时间后车载相机***检测的第j个障碍物的障碍物类别置信度,xt0 j和yt0 j表示t0时刻车载相机***检测的第j个障碍物的障碍物方位信息。
在本发明实施例中,从不同的***中获取障碍物信息时,可以在车载毫米波雷达***运行一帧信息时间内从车载相机***、车载超声波雷达***和车载毫米波雷达***中分别获取一帧障碍物信息进行融合。也可以在车载毫米波雷达***运行一帧信息时间内从车载相机***、车载超声波雷达***中获取多帧障碍物信息,并与从车载毫米波雷达***中获取的一帧障碍物信息进行多次融得到每一帧的融合结果,其中t=kΔTr,k=0,1,...,nt≥1,t表示第t时刻,t时刻为k个ΔTr时间,ΔTr为车载毫米波雷达***每一帧运行耗时,n表示n个障碍物。
参见上文步骤S106,对于依据障碍物跟踪轨迹将障碍物确定为动态障碍物或静态障碍物,本发明提供了一个可选地实施例,即通过分析出障碍物速度信息和障碍物位置信息来判定障碍物是动态障碍物还是静态障碍物。具体的,若依据障碍物跟踪轨迹信息分析出障碍物速度信息小于指定速度且障碍物位置信息保持不变,此时可以确定障碍物跟踪轨迹对应的障碍物为静态障碍物。若依据障碍物跟踪轨迹信息分析出障碍物速度信息不小于指定速度且障碍物位置信息随时间产生变化,此时可以确定障碍物跟踪轨迹对应的障碍物为动态障碍物。
本发明一实施例中,在得到融合后的障碍物信息之后,且在执行步骤S106中的基于动态障碍物对应的融合后的障碍物信息构建动态障碍物地图层,基于静态障碍物对应的融合后的障碍物信息构建静态障碍物地图层之前,将车辆初始位置对应的车辆坐标系定义为世界坐标系。
然后,依据车辆坐标系下的车辆位置变化信息和车头转角确定出每一时刻车辆坐标系相对于世界坐标系的旋转平移关系。
由于车辆在初始时刻的车辆坐标系与世界坐标系坐标轴重合,所以t时刻车辆坐标系与世界坐标系的映射关系可以表示为:
这里所提到的e表示本车辆的意思,x和y表示障碍物的横纵坐标,RT0 t为车辆坐标系t时刻相对车辆在初始位置时刻的坐标系的旋转平移关系,即车辆坐标系t时刻相对世界坐标系的旋转平移关系,RTt t-1表示车辆坐标系t时刻相对t-1时刻的车辆坐标系的旋转平移关系。
最后,依据每一时刻融合后的障碍物信息和对应时刻车辆坐标系相对于世界坐标系的旋转平移关系,确定出基于世界坐标系的融合后的障碍物信息,即将每一帧融合信息映射到世界坐标系下角标w表示世界坐标系,n表示n个障碍物,t表示第t个时刻,Tt wi表示为其中,下角标w用于标识世界坐标系,下角标c用于标识车载相机***,下角标r用于标识车载毫米波雷达***,i表示第i个障碍物,i小于等于n,Tt wi表示第i个障碍物在t时刻世界坐标系下的融合后的障碍物信息,非下角标中的c表示障碍物的类别,s表示障碍物的类别置信度,x和y表示障碍物的横坐标和纵坐标,v表示障碍物的速度,SNR表示障碍物的回波信噪比。
参见上文步骤S108并结合上文实施例,在本发明一实施例中,基于车道线信息、车位信息和环境静态障碍物对应的融合后的障碍物信息构建矢量地图层时,可以依据每一时刻车载相机***检测的车道线信息和车位信息、以及每一时刻车辆坐标系相对于世界坐标系的旋转平移关系,确定出基于世界坐标系的车道线信息和车位信息。然后,基于世界坐标系的车道线信息和车位信息和环境静态障碍物对应的融合后的障碍物信息构建矢量地图层。
在该实施例中,还可以将世界坐标系下的动态障碍物与静态障碍物的融合后的障碍物信息进行区分,例如可以通过在融合后的障碍物信息中增加一维信息lt wi得到下角标w用于标识世界坐标系,下角标c用于标识车载相机***,下角标r用于标识车载毫米波雷达***,i表示第i个障碍物,Tt wi表示第i个障碍物在t时刻世界坐标系下的融合后的障碍物信息,非下角标中的c表示障碍物的类别,s表示障碍物的类别置信度,x和y表示障碍物的横坐标和纵坐标,v表示障碍物的速度,SNR表示障碍物的回波信噪比,l表示增加的一维信息,可以设t时刻第i个障碍物为静态障碍物时lt wi=0,第i个障碍物为动态障碍物时lt wi=1。由此,动态障碍物地图层由世界坐标系下lt wi=1的障碍物组成,静态障碍物地图层由世界坐标系下lt wi=0的障碍物组成。
在本发明一实施例中,当组合得到多层地图之后,可以基于多层地图中的内容为待泊车辆规划泊车路径。
首先,从融合后的障碍物信息中提取障碍物方位信息和车位信息,其中,车位信息包括车位唯一标识、车位位置信息和车位占用标识。然后,基于提取到的障碍物的方位信息和车位信息分析相应的车位中是否存在障碍物。例如,障碍物的方位与车位重合,或者障碍物的方位与车位的距离很近,那么可以确定出车位中存在障碍物,车位被占用。若分析出车位中不存在障碍物,进一步确定车位占用标识是否表示未占用,若车位占用标识表示未占用,将不存在障碍物的车位作为可泊车的目标车位。进而,基于目标车位的车位信息和待泊车辆的位置信息,在多层地图的矢量地图层中为待泊车辆规划泊车路径。
为了避免待泊车辆在车辆在泊车过程中,由于车辆附近新出现之前未检测到的动态障碍物、可移动静态障碍物而存在的安全隐患,还可以在待泊车辆在沿泊车路径行驶过程中,继续基于动态障碍物地图层中动态障碍物的融合后的障碍物信息和静态障碍物地图层中可移动静态障碍物的融合后的障碍物信息,分析泊车路径上是否存在动态障碍物和/或可移动静态障碍物。在分析出泊车路径上存在动态障碍物和/或可移动静态障碍物时,依据目标车位的车位信息和待泊车辆的当前位置信息在矢量地图层中为待泊车辆重新规划泊车路径。在重新规划泊车路径时还可以通过控制车辆进行急停操作,以为车辆提供自主避障功能。
在该实施例中,在根据障碍物方位信息和车位信息判断出车位中存在障碍物,而分析出车位占用标识表示未占用,通常是以根据障碍物方位信息和车位信息的判断结果为准,例如,在基于提取到的障碍物的方位信息和车位信息分析出对应的车位中存在障碍物后,进一步确定出车位占用标识表示未占用,此时可以将车位信息的车位占用标识更新为占用。
结合上文实施例,t时刻的车位信息表示为Ptsi=(Pt i1,Pt i2,Pt i3,Pt i4,IDt i,flagt i),其中,Pt ij=(xt ij,yt ij),j=1,2,3,4,i表示第i个车位,i小于等于n,Pt ij表示第i个车位在t时刻的坐标信息,ID表示t时刻第i个车位的车位标识,该标识为车位的唯一标识,flag表示t时刻第i个车位的车位是否被占用的标识,如果车位ptsi范围内有障碍物,车位占用标识表示未占用表示为0,那么更新车位表示为1(车位占用)。
基于同一发明构思,本发明实施例还提供了一种计算机存储介质,计算机存储介质存储有计算机程序代码,当计算机程序代码在计算设备上运行时,导致计算设备执行上文任意实施例中的用于自动泊车场景的多层地图制作方法。
根据上述任意一个优选实施例或多个优选实施例的组合,本发明实施例能够达到如下有益效果:
本发明实施例的多层地图制作方法通过将获取的障碍物第一信息、障碍物第二信息、障碍物第三信息进行融合,不仅使得融合后得到的障碍物信息更为准确,而且可以为后续制作多层地图提供更加丰富的障碍物信息。通过将障碍物确定为动态障碍物或可移动静态障碍物或环境静态障碍物,并分别基于动态障碍物构建动态障碍物地图层,基于静态障碍物构建静态障碍物地图层,基于车道线信息、车位信息和环境静态障碍物构建动态障碍物地图层矢量地图层,不仅可以方便地将动态障碍物地图层、静态障碍物地图层和矢量地图层进行组合得到多层地图,而且该多层地图可以实时的展示车辆附近障碍物信息以有效地用于车辆地泊车过程,实用性强。进一步地,采用该方法制作地图无需新增其他的外置设备,能够有效降低多层地图制作的成本。
所属领域的技术人员可以清楚地了解到,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,为简洁起见,在此不另赘述。
另外,在本发明各个实施例中的各功能单元可以物理上相互独立,也可以两个或两个以上功能单元集成在一起,还可以全部功能单元都集成在一个处理单元中。上述集成的功能单元既可以采用硬件的形式实现,也可以采用软件或者固件的形式实现。
本领域普通技术人员可以理解:所述集成的功能单元如果以软件的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,其包括若干指令,用以使得一台计算设备(例如个人计算机,服务器,或者网络设备等)在运行所述指令时执行本发明各实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM),磁碟或者光盘等各种可以存储程序代码的介质。
或者,实现前述方法实施例的全部或部分步骤可以通过程序指令相关的硬件(诸如个人计算机,服务器,或者网络设备等的计算设备)来完成,所述程序指令可以存储于一计算机可读取存储介质中,当所述程序指令被计算设备的处理器执行时,所述计算设备执行本发明各实施例所述方法的全部或部分步骤。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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:在本发明的精神和原则之内,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部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脱离本发明的保护范围。
Claims (10)
1.一种用于自动泊车场景的多层地图制作方法,包括:
获取车辆附近障碍物的包含障碍物类别信息、障碍物类别置信度、障碍物方位信息的障碍物第一信息、车道线信息及车位信息,获取包含障碍物方位信息的障碍物第二信息,以及获取包含障碍物回波信噪比、障碍物速度信息、障碍物方位信息的障碍物第三信息;
基于同一时刻下的所述障碍物第一信息、障碍物第二信息和障碍物第三信息进行信息融合得到融合后的障碍物信息,基于融合后的障碍物信息采用预置跟踪算法进行障碍物跟踪,得到障碍物跟踪轨迹;
依据障碍物跟踪轨迹将障碍物确定为动态障碍物或静态障碍物,基于动态障碍物对应的融合后的障碍物信息构建动态障碍物地图层,基于静态障碍物对应的融合后的障碍物信息构建静态障碍物地图层,其中,所述静态障碍物包含依据所述障碍物类别信息划分的能够移动的可移动静态障碍物和不能够移动的环境静态障碍物;
基于车道线信息、车位信息和环境静态障碍物对应的融合后的障碍物信息构建矢量地图层;
将所述动态障碍物地图层、静态障碍物地图层和矢量地图层组合得到多层地图。
2.根据权利要求1所述的方法,其中,所述障碍物第一信息来自车载相机***,所述障碍物第二信息来自车载超声波雷达***,所述障碍物第三信息来自车载毫米波雷达***,所述基于同一时刻下的所述障碍物第一信息、障碍物第二信息和障碍物第三信息进行信息融合得到融合后的障碍物信息,包括:
定义所述车载毫米波雷达***每一帧运行耗时ΔTr,车载相机***每一帧运行实际耗时ΔTc,车载超声波雷达***每一帧运行耗时ΔTu;
将在t0+Δtc时刻获取的障碍物第一信息转换为t0时刻的障碍物第一信息,t0为ΔTr时间内融合时间起点,其中,t0+Δtc<t0+ΔTr;
将在t0+Δtu时刻获取的障碍物第二信息转换为t0时刻的障碍物第二信息,其中,t0+Δtu<t0+ΔTr;
将t0时刻的障碍物第一信息、t0时刻的障碍物第二信息和t0时刻的障碍物第三信息分别包含的障碍物方位信息求加权平均,且保留t0+Δtc时刻障碍物第一信息中的类别信息、类别置信度和t0时刻的障碍物第三信息中的回波信噪比、速度信息;
将加权平均后的障碍物方位信息与保留的类别信息、类别置信度、回波信噪比、速度信息组合,将组合得到的障碍物信息作为融合后的障碍物信息。
3.根据权利要求2所述的方法,其中,将在t0+Δtc时刻获取的障碍物第一信息转换为t0时刻的障碍物第一信息,包括:
获取车辆位姿变化信息,所述车辆位姿变化信息包括车辆坐标系下的车辆位置变化信息和车辆的车头转角,其中,所述车辆坐标系以车辆后轴中心为原点,后轴中心指向前轴中心的方向为x方向,y方向垂直于x轴方向沿后轴向左;
依据车辆坐标系下的位置变化信息和车头转角确定出t0+Δtc时刻车辆坐标系相对于t0时刻车辆坐标系的旋转平移矩阵;
从t0+Δtc时刻获取的障碍物第一信息中提取方位信息并作为第一方位信息,将第一方位信息基于t0+Δtc时刻车辆坐标系相对于t0时刻车辆坐标系的旋转平移矩阵转换为t0时刻的第一方位信息;
将t0时刻的第一方位信息与t0+Δtc时刻的障碍物第一信息中的类别信息和类别置信度组合,得到t0时刻的障碍物第一信息。
4.根据权利要求3所述的方法,其中,将在t0+Δtu时刻获取的障碍物第二信息转换为t0时刻的障碍物第二信息,包括:
依据车辆坐标系下的车辆位置变化信息和车头转角确定出t0+Δtu时刻车辆坐标系相对于t0时刻车辆坐标系的旋转平移矩阵;
从t0+Δtu时刻获取的障碍物第二信息中提取方位信息并作为第二方位信息,将第二方位信息基于t0+Δtu时刻车辆坐标系相对于t0时刻车辆坐标系的旋转平移矩阵转换为t0时刻的第二方位信息,以得到t0时刻的障碍物第二信息。
5.根据权利要求4所述的方法,其中,基于动态障碍物对应的融合后的障碍物信息构建动态障碍物地图层,基于静态障碍物对应的融合后的障碍物信息构建静态障碍物地图层之前,还包括:
将车辆初始位置对应的车辆坐标系定义为世界坐标系;
依据车辆坐标系下的车辆位置变化信息和车头转角确定出每一时刻车辆坐标系相对于世界坐标系的旋转平移关系;
依据每一时刻融合后的障碍物信息和对应时刻车辆坐标系相对于世界坐标系的旋转平移关系,确定出基于世界坐标系的融合后的障碍物信息。
6.根据权利要求1或2所述的方法,其中,依据障碍物跟踪轨迹将相应的障碍物确定为动态障碍物或静态障碍物,包括:
依据障碍物跟踪轨迹信息分析出障碍物速度信息小于指定速度且所述障碍物位置信息保持不变时,确定所述障碍物跟踪轨迹对应的障碍物为静态障碍物;
依据障碍物跟踪轨迹信息分析出障碍物速度信息不小于指定速度且所述障碍物位置信息随时间产生变化时,确定所述障碍物跟踪轨迹对应的障碍物为动态障碍物。
7.根据权利要求5所述的方法,其中,基于车道线信息、车位信息和环境静态障碍物对应的融合后的障碍物信息构建矢量地图层,包括:
依据每一时刻车载相机***检测的车道线信息和车位信息、以及每一时刻车辆坐标系相对于世界坐标系的旋转平移关系,确定出基于世界坐标系的车道线信息和车位信息;
基于世界坐标系的车道线信息和车位信息和环境静态障碍物对应的融合后的障碍物信息构建矢量地图层。
8.根据权利要求1或2所述的方法,其中,还包括:
从融合后的障碍物信息中提取障碍物方位信息和车位信息,其中,所述车位信息包括车位唯一标识、车位位置信息和车位占用标识;
基于提取到的障碍物的方位信息和车位信息分析相应的车位中是否存在障碍物;
若分析出车位中不存在障碍物,进一步确定所述车位占用标识是否表示未占用;
若确定出车位占用标识表示未占用,将不存在障碍物的车位作为可泊车的目标车位;
基于目标车位的车位信息和待泊车辆的位置信息,在所述多层地图的矢量地图层中为待泊车辆规划泊车路径;
在所述待泊车辆在沿所述泊车路径行驶过程中,基于动态障碍物地图层中动态障碍物的融合后的障碍物信息和静态障碍物地图层中可移动静态障碍物的融合后的障碍物信息,分析所述泊车路径上是否存在动态障碍物和/或可移动静态障碍物;
在分析出所述泊车路径上存在动态障碍物和/或可移动静态障碍物时,基于目标车位的车位信息和待泊车辆的当前位置信息在所述矢量地图层中为待泊车辆重新规划泊车路径。
9.根据权利要求8所述的方法,其中,还包括:
基于提取到的障碍物的方位信息和车位信息分析出对应的车位中存在障碍物时,进一步确定所述车位占用标识是否表示未占用;
若确定出车位占用标识表示未占用,将所述车位信息的车位占用标识更新为占用。
10.一种计算机存储介质,所述计算机存储介质存储有计算机程序代码,当所述计算机程序代码在计算设备上运行时,导致所述计算设备执行权利要求1-9任一项所述的用于自动泊车场景的多层地图制作方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911380007.XA CN111391823A (zh) | 2019-12-27 | 2019-12-27 | 一种用于自动泊车场景的多层地图制作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911380007.XA CN111391823A (zh) | 2019-12-27 | 2019-12-27 | 一种用于自动泊车场景的多层地图制作方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111391823A true CN111391823A (zh) | 2020-07-10 |
Family
ID=71419704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911380007.XA Pending CN111391823A (zh) | 2019-12-27 | 2019-12-27 | 一种用于自动泊车场景的多层地图制作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111391823A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111982532A (zh) * | 2020-08-07 | 2020-11-24 | 湖北亿咖通科技有限公司 | 一种自动泊车性能评价方法 |
CN112277933A (zh) * | 2020-10-26 | 2021-01-29 | 广州小鹏自动驾驶科技有限公司 | 一种数据处理的方法和装置 |
CN112487016A (zh) * | 2020-11-30 | 2021-03-12 | 上海汽车集团股份有限公司 | 一种无人驾驶车辆局部路径规划方法及装置 |
CN112644480A (zh) * | 2021-01-18 | 2021-04-13 | 广州小鹏自动驾驶科技有限公司 | 一种障碍物检测方法、检测***、计算机设备和存储介质 |
CN112776797A (zh) * | 2021-02-27 | 2021-05-11 | 重庆长安汽车股份有限公司 | 泊出原始车位创建方法、***、车辆和存储介质 |
CN112802346A (zh) * | 2020-12-28 | 2021-05-14 | 苏州易航远智智能科技有限公司 | 基于云端共享和地图融合的自主泊车***和方法 |
CN112817315A (zh) * | 2020-12-31 | 2021-05-18 | 江苏集萃智能制造技术研究所有限公司 | 一种动态环境下无人清洗车的避障方法及*** |
CN113050063A (zh) * | 2021-04-29 | 2021-06-29 | 深圳市利拓光电有限公司 | 基于激光传感器的障碍检测方法、装置、设备及存储介质 |
CN114185353A (zh) * | 2021-12-09 | 2022-03-15 | 吉林大学 | 一种自主作业装载机倒车避障与路径规划方法 |
WO2022052100A1 (en) * | 2020-09-14 | 2022-03-17 | Robert Bosch Gmbh | Method and apparatus for planning a path for a mobile object |
CN115214622A (zh) * | 2021-07-13 | 2022-10-21 | 广州汽车集团股份有限公司 | 一种融合泊车方法及*** |
CN115390116A (zh) * | 2022-09-09 | 2022-11-25 | 紫清智行科技(北京)有限公司 | 一种基于路侧图像识别与卫星图像的动态建图方法与装置 |
WO2024078265A1 (zh) * | 2022-10-14 | 2024-04-18 | 纵目科技(上海)股份有限公司 | 多图层高精地图生成方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7138938B1 (en) * | 2005-05-06 | 2006-11-21 | Ford Global Technologies, Llc | System and method for preemptively sensing an object and selectively operating both a collision countermeasure system and a parking assistance system aboard an automotive vehicle |
DE102017102640A1 (de) * | 2017-02-10 | 2018-08-16 | Connaught Electronics Ltd. | Verfahren zum Erkennen einer Ladevorrichtung zum induktiven Laden eines Energiespeichers eines Kraftfahrzeugs mithilfe einer Kamera des Kraftfahrzeugs, Recheneinrichtung, Fahrzeugassistenzsystem sowie Kraftfahrzeug |
CN109343051A (zh) * | 2018-11-15 | 2019-02-15 | 众泰新能源汽车有限公司 | 一种用于高级辅助驾驶的多传感器数据融合方法 |
CN109532719A (zh) * | 2018-11-23 | 2019-03-29 | 中汽研(天津)汽车工程研究院有限公司 | 一种基于多传感器信息融合的电动汽车 |
CN109649384A (zh) * | 2019-02-15 | 2019-04-19 | 华域汽车***股份有限公司 | 一种泊车辅助方法 |
CN110606071A (zh) * | 2019-09-06 | 2019-12-24 | 中国第一汽车股份有限公司 | 一种泊车方法、装置、车辆和存储介质 |
-
2019
- 2019-12-27 CN CN201911380007.XA patent/CN111391823A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7138938B1 (en) * | 2005-05-06 | 2006-11-21 | Ford Global Technologies, Llc | System and method for preemptively sensing an object and selectively operating both a collision countermeasure system and a parking assistance system aboard an automotive vehicle |
DE102017102640A1 (de) * | 2017-02-10 | 2018-08-16 | Connaught Electronics Ltd. | Verfahren zum Erkennen einer Ladevorrichtung zum induktiven Laden eines Energiespeichers eines Kraftfahrzeugs mithilfe einer Kamera des Kraftfahrzeugs, Recheneinrichtung, Fahrzeugassistenzsystem sowie Kraftfahrzeug |
CN109343051A (zh) * | 2018-11-15 | 2019-02-15 | 众泰新能源汽车有限公司 | 一种用于高级辅助驾驶的多传感器数据融合方法 |
CN109532719A (zh) * | 2018-11-23 | 2019-03-29 | 中汽研(天津)汽车工程研究院有限公司 | 一种基于多传感器信息融合的电动汽车 |
CN109649384A (zh) * | 2019-02-15 | 2019-04-19 | 华域汽车***股份有限公司 | 一种泊车辅助方法 |
CN110606071A (zh) * | 2019-09-06 | 2019-12-24 | 中国第一汽车股份有限公司 | 一种泊车方法、装置、车辆和存储介质 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111982532A (zh) * | 2020-08-07 | 2020-11-24 | 湖北亿咖通科技有限公司 | 一种自动泊车性能评价方法 |
CN111982532B (zh) * | 2020-08-07 | 2021-07-20 | 湖北亿咖通科技有限公司 | 一种自动泊车性能测试方法 |
WO2022052100A1 (en) * | 2020-09-14 | 2022-03-17 | Robert Bosch Gmbh | Method and apparatus for planning a path for a mobile object |
CN112277933A (zh) * | 2020-10-26 | 2021-01-29 | 广州小鹏自动驾驶科技有限公司 | 一种数据处理的方法和装置 |
CN112487016A (zh) * | 2020-11-30 | 2021-03-12 | 上海汽车集团股份有限公司 | 一种无人驾驶车辆局部路径规划方法及装置 |
CN112487016B (zh) * | 2020-11-30 | 2023-10-03 | 上海汽车集团股份有限公司 | 一种无人驾驶车辆局部路径规划方法及装置 |
CN115035728A (zh) * | 2020-12-28 | 2022-09-09 | 苏州易航远智智能科技有限公司 | 基于云端共享和地图融合的自主泊车***和方法 |
CN112802346A (zh) * | 2020-12-28 | 2021-05-14 | 苏州易航远智智能科技有限公司 | 基于云端共享和地图融合的自主泊车***和方法 |
CN115035728B (zh) * | 2020-12-28 | 2024-06-25 | 苏州易航远智智能科技有限公司 | 基于云端共享和地图融合的自主泊车***和方法 |
CN112817315A (zh) * | 2020-12-31 | 2021-05-18 | 江苏集萃智能制造技术研究所有限公司 | 一种动态环境下无人清洗车的避障方法及*** |
CN112644480A (zh) * | 2021-01-18 | 2021-04-13 | 广州小鹏自动驾驶科技有限公司 | 一种障碍物检测方法、检测***、计算机设备和存储介质 |
CN112776797A (zh) * | 2021-02-27 | 2021-05-11 | 重庆长安汽车股份有限公司 | 泊出原始车位创建方法、***、车辆和存储介质 |
CN113050063A (zh) * | 2021-04-29 | 2021-06-29 | 深圳市利拓光电有限公司 | 基于激光传感器的障碍检测方法、装置、设备及存储介质 |
CN115214622A (zh) * | 2021-07-13 | 2022-10-21 | 广州汽车集团股份有限公司 | 一种融合泊车方法及*** |
CN114185353A (zh) * | 2021-12-09 | 2022-03-15 | 吉林大学 | 一种自主作业装载机倒车避障与路径规划方法 |
CN114185353B (zh) * | 2021-12-09 | 2024-03-22 | 吉林大学 | 一种自主作业装载机倒车避障与路径规划方法 |
CN115390116A (zh) * | 2022-09-09 | 2022-11-25 | 紫清智行科技(北京)有限公司 | 一种基于路侧图像识别与卫星图像的动态建图方法与装置 |
WO2024078265A1 (zh) * | 2022-10-14 | 2024-04-18 | 纵目科技(上海)股份有限公司 | 多图层高精地图生成方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111391823A (zh) | 一种用于自动泊车场景的多层地图制作方法 | |
US11874119B2 (en) | Traffic boundary mapping | |
JP6714688B2 (ja) | 正確な道路データベースを生成および更新するために道路データ物体を突き合わせるためのシステムおよび方法 | |
US11433902B2 (en) | Methods and systems for computer-based determining of presence of dynamic objects | |
US11525682B2 (en) | Host vehicle position estimation device | |
US20220270358A1 (en) | Vehicular sensor system calibration | |
JP2019527832A (ja) | 正確な位置特定およびマッピングのためのシステムおよび方法 | |
EP3674971B1 (en) | Method and system for training machine learning algorithm to detect objects at distance | |
US11294387B2 (en) | Systems and methods for training a vehicle to autonomously drive a route | |
CN112781599B (zh) | 确定车辆的位置的方法 | |
CN112740225B (zh) | 一种路面要素确定方法及装置 | |
Tsogas et al. | Combined lane and road attributes extraction by fusing data from digital map, laser scanner and camera | |
US20230222688A1 (en) | Mobile device positioning method and positioning apparatus | |
EP3842316B1 (en) | Method and device for controlling operation of self-driving car | |
CN116348789A (zh) | 用于自主载具应用的速度估计和对象跟踪 | |
WO2021001018A1 (en) | Sourced lateral offset for adas or ad features | |
CN115792894A (zh) | 一种多传感器融合车辆目标跟踪方法、***及存储介质 | |
Hara et al. | Vehicle localization based on the detection of line segments from multi-camera images | |
WO2024078265A1 (zh) | 多图层高精地图生成方法和装置 | |
Meis et al. | A new method for robust far-distance road course estimation in advanced driver assistance systems | |
Tsogas et al. | Using digital maps to enhance lane keeping support systems | |
WO2020244467A1 (zh) | 一种运动状态估计方法及装置 | |
US20220198714A1 (en) | Camera to camera calibration | |
RU2775817C2 (ru) | Способ и система для обучения алгоритма машинного обучения с целью обнаружения объектов на расстоянии | |
CN113822932B (zh) | 设备定位方法、装置、非易失性存储介质及处理器 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200710 |