CN111814114B - 车道定位校验的方法、设备、电子设备、车辆及存储介质 - Google Patents
车道定位校验的方法、设备、电子设备、车辆及存储介质 Download PDFInfo
- Publication number
- CN111814114B CN111814114B CN202010621661.1A CN202010621661A CN111814114B CN 111814114 B CN111814114 B CN 111814114B CN 202010621661 A CN202010621661 A CN 202010621661A CN 111814114 B CN111814114 B CN 111814114B
- Authority
- CN
- China
- Prior art keywords
- lane
- value
- vehicle
- positioning
- level
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012795 verification Methods 0.000 title description 4
- 230000004044 response Effects 0.000 claims abstract description 23
- 230000033001 locomotion Effects 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 230000008447 perception Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003936 working memory Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Remote Sensing (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
提供一种对车道级定位结果进行校验的方法和设备、电子设备、车辆及存储介质,涉及自动驾驶技术。所述方法包括:获取车道级定位算法得到的车辆的车道估计值EL(t),其中所述车道估计值EL(t)指示当前时刻t所述车辆处于哪一车道;将所述车辆的车道定位值CL(t)与所述车道估计值EL(t)进行对比,其中所述车道定位值CL(t)根据车道定位值CL(t‑1)以及所述车辆自身的运动状态推导得出,并且指示当前时刻t所述车辆处于哪一车道,其中所述车道定位值CL(t‑1)指示先前时刻t‑1时所述车辆处于哪一车道;以及响应于所述对比指示所述车道定位值CL(t)与所述车道估计值EL(t)不一致,基于似然树中存储的所述车辆的车道定位历史状态,将所述车道定位值CL(t)选择性地修正或不修正为所述车道估计值EL(t)。
Description
技术领域
本公开涉及自动驾驶技术领域,特别涉及对车道级定位结果进行校验的方法和设备、电子设备、车辆及存储介质。
背景技术
近年来,自动驾驶技术得到了业界广泛关注,并且基于高精地图和车道线感知数据的融合以实现车道级定位的应用越来越广泛。如果车辆将其自身定位在错误的车道上,尽管在保持车道时仍然可实现安全驾驶,但是当车辆以错误的车道定位作为基准来进行道路决策规划(例如确定是否变道)时,会带来灾难性的后果,威胁到行车安全。
然而,在实际的应用中,感知数据往往会存在误检测,或者由于现势性问题而导致地图与实际不符,甚至当两者同时出错时,使得对车辆的车道级定位出现与实际情况严重偏离的结果。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
根据本公开的一方面,提供一种对车道级定位结果进行校验的方法,包括以下步骤:获取车道级定位算法得到的车辆的车道估计值EL(t),其中所述车道估计值EL(t)指示当前时刻t所述车辆处于哪一车道;将所述车辆的车道定位值CL(t)与所述车道估计值EL(t)进行对比,其中所述车道定位值CL(t)根据车道定位值CL(t-1)以及所述车辆自身的运动状态推导得出,并且指示当前时刻t所述车辆处于哪一车道,其中所述车道定位值CL(t-1)指示先前时刻t-1时所述车辆处于哪一车道;以及响应于所述对比指示所述车道定位值CL(t)与所述车道估计值EL(t)不一致,基于似然树中存储的所述车辆的车道定位历史状态,将所述车道定位值CL(t)选择性地修正或不修正为所述车道估计值EL(t)。
根据本公开的另一方面,提供一种对车道级定位结果进行校验的设备,包括:获取单元,被配置用于获取车道级定位算法得到的车辆的车道估计值EL(t),其中所述车道估计值EL(t)指示当前时刻t所述车辆处于哪一车道;对比单元,被配置用于将所述车辆的车道定位值CL(t)与所述车道估计值EL(t)进行对比,其中所述车道定位值CL(t)根据车道定位值CL(t-1)以及所述车辆自身的运动状态推导得出,并且指示当前时刻t所述车辆处于哪一车道,其中所述车道定位值CL(t-1)指示先前时刻t-1时所述车辆处于哪一车道;以及修正单元,被配置用于响应于所述对比指示所述车道定位值CL(t)与所述车道估计值EL(t)不一致,基于似然树中存储的所述车辆的车道定位历史状态,将所述车道定位值CL(t)选择性地修正或不修正为所述车道估计值EL(t)。
根据本公开的另一方面,提供一种用于自动驾驶的电子设备,包括:处理器;以及存储程序的存储器,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行上述的对车道级定位结果进行校验的方法。
根据本公开的另一方面,提供一种车辆,包括:上述的用于自动驾驶的电子设备。
根据本公开的另一方面,还提供一种存储程序的计算机可读存储介质,所述程序包括指令,所述指令在由电子设备的处理器执行时,致使所述电子设备执行上述的对车道级定位结果进行校验的方法。
根据本公开的一些实施例,可以利用之前所维护的车辆的历史轨迹/状态信息来作为判定车辆的车道级定位结果的参考,从而避免由于感知数据出现错误或者地图与实际不符而导致的对所述车辆的车道级定位出现与实际情况严重偏离的结果。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1是示出根据本公开示例性实施例的一种对车道级定位结果进行校验的方法的流程图;
图2示出了图1的方法的一个具体实现方式的流程图;
图3示出了根据本公开示例性实施例的用于生成和更新N叉似然树的示意图;
图4示出了根据本公开示例性实施例的将N叉似然树的深度的阈值设定为5的情形;
图5示出了根据本公开示例性实施例的在某一层子节点中不存在第二子节点的N叉似然树的示意图;
图6示出了根据本公开示例性实施例的在每一层子节点中均存在第二子节点的N叉似然树的示意图;
图7示出了根据本公开示例性实施例的用于自动驾驶的电子设备的示意性框图;
图8是示出根据本公开示例性实施例的包含图7的电子设备的车辆的示意性框图;
图9是示出根据本公开示例性实施例的对车道级定位结果进行校验的设备的示意性框图;以及
图10是示出可以被用来实施本文所描述的单元和功能的示例性计算设备的结构框图。
具体实施方式
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
当车辆定位在错误的车道,并且以所述错误的车道定位作为基准来进行道路决策规划(例如确定是否变道)时,会带来灾难性的后果,威胁到行车安全。在实际的应用中,由于感知数据出现错误或者地图与实际不符,使得对车辆的车道级定位有时会出现与实际情况严重偏离的结果。
存在两种对车道级定位结果进行校验的方法。第一种方法是以和当前帧对应的地图数据或感知数据(例如,车载摄像头获取的车辆前方的图像数据)作为先验数据,对输入的二者数据进行相互检测。通常情况下,可以利用地图数据作为先验数据,对感知数据来进行检测。这是因为与感知数据相比,地图数据较为稳定,还可以通过连续多帧的感知数据对地图数据进行检验。如果连续地出现地图数据和感知数据不相容,则直接抛弃与当前帧有关的数据。这种方法较为简单,但必须确保作为先验数据的数据是准确的。例如,如果以地图数据作为参考对感知数据进行检测,则地图数据必须是准确的。然而,在实际情况下,有时会出现地图数据和感知数据都是错误的情形,这将使得算法出现不可预知的结果。
第二种方法是在连续累计一段时间的感知数据和地图数据之后,判断定位于各个车道的相应概率,将与最大概率对应的车道作为当前的车道级定位结果。这一种方法对数据存在错误时具有一定的鲁棒性,在出现错误数据时不易受到影响。但是这一种方法需要预先累积一段时间的数据,在这段时间内往往不能提供有效的定位,导致用户体验较差。而且,如果要提高算法的容错能力,则需要延长累积数据的时间段,即延长初始化的时间段,这将不能满足实际中的使用需求。
本公开旨在依据车辆的历史轨迹/状态信息,规避由于短期内的感知数据误检测或部分道路出现错误而导致对车辆所处的车道定位出现错误。在本公开的一些实施例中,维护一个具有固定深度的N叉似然树来存储车辆的历史轨迹/状态信息,并且以所述N叉似然树作为判定车辆的车道级定位结果的参考。
将理解的是,本公开的实施例聚焦于如何对车道级定位算法得到的车道级定位结果进行校验,而非讨论车道级定位算法本身的定位过程。为了不模糊本公开的主题,在下面的描述中将不会深入讨论具体的车道级定位算法。换言之,本公开的实施例可以适用于对各种车道级定位算法的车道级定位结果进行校验。
图1示出了根据本公开示例性实施例的一种对车道级定位结果进行校验的方法100的流程图。如图1所示,方法100可以包括:获取车道级定位算法得到的车辆的车道估计值(步骤S110);将所述车辆的车道定位值与所述车道估计值进行对比(步骤S120);以及基于似然树中存储的所述车辆的车道定位历史状态,将所述车道定位值选择性地修正或不修正为所述车道估计值(步骤S130)。
在本公开提出的方案中,当车辆在行驶时,通过维护一个N叉似然树来记录所述车辆行驶的历史状态。在所述车辆启动后的一段时间里,可以试运行一段时间所述车道级定位算法来完成对所述算法的初始化。这段时间里,如果所述车道级定位算法可以对所述车辆所处的车道进行准确定位,则初始化步骤完成。
下面具体描述方法100的步骤S110~S130。
在步骤S110,获取车道级定位算法得到的车辆的车道估计值EL(t),其中所述车道估计值EL(t)指示当前时刻t所述车辆处于哪一车道。
在所述车道级定位算法中,可以根据高精地图数据和感知数据的融合,计算当前时刻t所述车辆的车道估计值EL(t)。具体地,所述车辆可以在当前时刻t,先通过对自身的地理位置进行定位,然后获取高精地图数据并判断在当前行驶的道路内的车道数量。同时,所述车辆可以在行驶时获取当前时刻t的感知数据。例如,所述车辆可以通过车载传感器(例如车载摄像头)在当前时刻t获取一帧图像。所述车辆根据所述感知数据,利用概率性算法计算所述车辆处于每个车道的相应概率,并将与最大的概率对应的车道作为所述车辆在当前时刻t的车道估计值EL(t)。
在上述步骤S110中,高精地图数据可以预先存储在所述车辆内部的存储器内,也可以通过车载联网***实时获取。此外,所述车辆可以利用预设的时间间隔来获取感知数据并进行分析。该预设的时间间隔可以是100ms、500ms、1s等,这里不对其进行限定。当获取所述感知数据之后,可以通过对其进行分析来获取所述车辆两侧的车道线、车辆左右两侧的地形数据等,然后通过基于定位和附近的高精地图而获取的所述车辆当前所处的道路内的车道数量,利用概率性算法,计算所述车辆属于每个车道的概率。这里的地形数据可以包括但不限于护栏、绿化带、地阶及其相对于所述车辆的方位和距离等。
在步骤S120,将所述车辆的车道定位值CL(t)与所述车道估计值EL(t)进行对比。所述车道定位值CL(t)根据车道定位值CL(t-1)以及所述车辆自身的运动状态推导得出,并且指示当前时刻t所述车辆处于哪一车道。所述车道估计值CL(t-1)指示先前时刻t-1时所述车辆处于哪一车道。
这一步骤中,在当前时刻为t时,所述车辆可以根据所述车辆在先前时刻t-1时的车道定位值CL(t-1),结合从时刻t-1到时刻t的所述车辆的运动状态,判断所处车辆当前应当处于的车道CL(t)。这里,所述车辆的运动状态可以包括但不限于所述车辆的速度、所述车辆的车头朝向、方向盘的转动幅度及转动速度等。将理解的是,取决于具体的技术实现,可以利用各种目标跟踪算法来从时刻t-1的车辆位置推断时刻t的车辆位置,从而得到车道定位值。为了不模糊本公开的主题,下面的描述同样不会深入讨论车道定位值的具体获取方式。
在当前时刻为t时,如步骤S110中所描述的,基于车道级定位算法来获取所述车辆在当前时刻t的车道估计值EL(t)。将通过推断获得的车道定位值CL(t)与通过车道级定位算法获得的车道估计值EL(t)进行比较。如果二者一致,则表明当前的车道定位是准确的;否则,需要经过判断来确定所述车辆当前所处的车道是EL(t)还是CL(t)。
在通常情况下,车道定位值CL(t)与车道估计值EL(t)是一致的。在某些情况下,车道级定位算法可能遭受扰动,例如由于感知数据或地图数据的错误,导致与车道定位值CL(t)不一致的车道估计值EL(t)。此时,需要对车道定位值CL(t)进行校验,以决定是否接受车道估计值EL(t)用于车道定位。
在步骤S130,响应于所述对比指示所述车道定位值CL(t)与所述车道估计值EL(t)不一致,基于似然树中存储的所述车辆的车道定位历史状态,将所述车道定位值CL(t)选择性地修正或不修正为所述车道估计值EL(t)。
图2示出了图1的方法100的一个具体实现方式200的流程图。下面结合图2的具体实现方式200来进一步说明图1的方法100。
在步骤S201,获取车道级定位算法得到的当前时刻t车辆处于道路中的各个车道的相应概率。车道估计值EL(t)指示当前时刻t时这些车道中概率最大的那个车道。
在步骤S202,判断似然树是否被初始化。这一判断可以通过确定当前是否存在似然树来执行。
在步骤S203,构建根节点以初始化似然树。其中,所述根节点与所述车辆以最大的概率所处的车道对应。
在步骤S204,将车辆的车道定位值CL(t)与车道估计值EL(t)进行对比。这对应于图1中的步骤S120。
在步骤S205中,判断所述车道定位值CL(t)与所述车道估计值EL(t)是否一致,并且响应于所述对比指示所述车道定位值CL(t)与所述车道估计值EL(t)一致,执行虚线框部分260中的步骤,即利用所述车道级定位算法得到的当前时刻t所述车辆处于各个车道的相应概率以更新似然树;否则,执行虚线框部分280中的步骤来判断是否将所述车道定位值CL(t)变更为所述车道估计值EL(t)。
根据一些实施例,利用车道级定位算法得到的当前时刻t车辆处于各个车道的相应概率,更新似然树包括:响应于基于地图确定车道数目已变化或基于车辆的运动状态确定车辆已变更车道,将似然树增加一层子节点,该增加的一层子节点分别代表当前时刻t地图中存在的各个车道,将当前时刻t车辆处于各个车道的相应概率分别存储到该增加的一层子节点中的相应子节点中。
在图2的示例中,在步骤S206和步骤S207中,分别判断车道数量是否发生变化和车辆是否发生变道。在一些实施例中,判断车道数量是否发生变化可以基于在当前时刻t所获取的高精地图数据,而判断所述车辆是否发生变道可以依据从先前时刻t-1至当前时刻t期间所述车辆的运动状态来执行。当确认车道数量发生了变化或所述车辆发生了变道时,将所述似然树增加一层子节点,该增加的一层子节点分别代表当前时刻t所述地图中存在的各个车道,将当前时刻t所述车辆处于各个车道的相应概率分别存储到该增加的一层子节点中的相应子节点中。
根据一些实施例,所述似然树包括至少一层子节点,每一层中的子节点分别代表先前时刻集合{t-tk,k=1,2,…,depth}中的对应先前时刻t-tk时所述车道级定位算法使用的地图中存在的多个车道,depth表示所述似然树的深度。所述车辆的车道定位历史状态包括:每个先前时刻t-tk时所述车辆的车道定位值CL(t-tk)、以及所述车道级定位算法得到的每个先前时刻t-tk时所述车辆处于所述多个车道中的各个车道的相应概率。
图3示出了根据本公开示例性实施例的用于生成和更新N叉似然树的示意图。
如图3所示,N叉似然树的深度depth为3,并且图中的数字0、1、2、3表示N叉似然树的层数。N叉似然树中第(depth+1-k)层的子节点(k=1,2,…,depth),与先前时刻t-tk时道路中的车道分别对应,并且存储了在该先前时刻t-tk时车道级定位算法得到的车辆处于相应车道的概率。例如,第3、第2和第1层子节点,分别与t-t1、t-t2和t-t3时刻道路中的车道对应。先前时刻t-tk指示了车道定位历史状态关键点,包括车道序号发生了变化的时间点或者车道数量发生了变化的时间点。例如,在图3中,第3层对应于先前时刻t-t1,在该时刻地图中的车道数量从4个变为5个;第2层对应于先前时刻t-t2,在该时刻车道定位值CL(t-t2)所指示的车道序号从第2车道变为第3车道。在一些示例中,车道定位历史状态关键点还可以包括从根节点创建第1层子节点的时间点。例如,在图3中,第1层对应于先前时刻t-t3,在该时刻从根节点创建了第1层子节点。
另外,第(depth+1-k)层中的灰色子节点代表先前时刻t-tk时的车道定位值CL(t-tk)所指示的车道。比如在第3层对应的时刻t-t1,地图中的车道数量为5,并且车道定位值CL(t-tk)表明所述车辆处于第3车道。
返回参考图2,在步骤S208中,当在当前时刻t将所述N叉似然树的深度增加1时,以当前深度最大的层中由车道定位值CL(t-t1)指示的车道对应的子节点为父节点,将所述N叉似然树增加一层。所增加的层具有与变化后的车道的数目对应的数目的子节点,并且这些子节点与变化后的车道分别对应。车道级定位算法得到的当前时刻t所述车辆处于各个车道的相应概率可以存储到所增加的层中的相应子节点中。
如果在步骤S206和步骤S207中判断车道数量未发生变化并且所述车辆也未发生变道,则如步骤S209所示,维持所述N叉似然树的深度,并且将依据车道级定位算法从感知数据获得的当前时刻t所述车辆处于各个车道的概率,分别累计到所述N叉似然树的当前深度最大的层中与每个车道对应的子节点上。
可以理解的是,在步骤S208和S209中,如果似然树在初始化之后还没有任何子节点,则可以创建第1层子节点,该层中的子节点分别代表当前时刻t地图中的各个车道。
这里,由于所述车辆处于每个车道的概率值处于0到1之间,因此在将概率累计到子节点时。当道路的车道数量未变化并且所述车辆也未发生变道时,如果采取将概率相乘的方式,将导致某些子节点上的概率随着时间的推移会越来越小。为了避免这种情形的发生,本公开的一些实施例中,采取将概率值先取对数再相加的方式。
为了保证数据的高效利用,并且避免所述N叉似然树的无限扩展,在本公开的一些实施例中,将N叉似然树的深度限定为某个阈值。
当所述似然树的深度超过预定值时,去除所述似然树的根节点、以及第1层子节点中除车道定位值CL(t-tdepth)所指示的车道对应的子节点以外的子节点。
如步骤S210~S211所示,当确定所述N叉似然树的深度超过所述阈值时,删除所述N叉似然树的最早的状态(即N叉似然树的根节点以及与根节点相连且不具有子节点的节点)。
如图4所示,其中示出了根据本公开示例性实施例的将N叉似然树的深度的阈值设定为5的情形。当N叉似然树在扩展后的深度超过5时,将当前的根节点以及第1层中除灰色子节点之外的其他子节点删除。
当判断所述车道定位值CL(t)与所述车道估计值EL(t)不一致时,执行虚线框部分280中的步骤。
虚线框部分280中的执行步骤总结如下:
确定所述车道估计值EL(t)相对于所述车道定位值CL(t)的偏移量;
确定所述似然树的每一层子节点中是否存在相对于该层中的第一子节点被偏移所述偏移量的第二子节点,其中每一层子节点中的第一子节点代表对应时刻t-tk时所述车道定位值CL(t-tk)所指示的车道;
响应于确定所述似然树的每一层子节点中均存在所述第二子节点,确定判定值,所述判定值为所述似然树的各层中的第一子节点所代表的车道的累计概率和所述似然树的各层中的第二子节点所代表的车道的累计概率二者的函数;以及
取决于所述判定值,选择性地执行以下操作之一:
将所述车道定位值CL(t)修正为所述车道估计值EL(t),并且清空所述似然树;
不修正所述车道定位值CL(t),并且利用所述车道级定位算法得到的当前时刻t所述车辆处于各个车道的相应概率,更新所述似然树;和
不修正所述车道定位值CL(t),并且不更新所述似然树。
具体地,在步骤S212中,计算所述车道估计值EL(t)相对于所述车道定位值CL(t)的偏移量。这里,确定偏移量的方式是将所述车道估计值EL(t)与所述车道定位值CL(t)相减,即:lane_bias=EL(t)-CL(t)。
在步骤S213中,可以先计算所述N叉似然树的各层中的相对于车道定位值CL(t-tk)指示的车道被偏移了lane_bias的车道所对应的子节点(即,上面总结段落中所述的“第二子节点”)的累计似然概率log(Pexpected):
这里,P(2) i表示第i层中的所述“第二子节点”所代表的车道的概率。在一些实施例中,步骤S213也可以在步骤S214之后执行,例如与步骤S215一起执行。
响应于在步骤S214中确定所述似然树的某一层子节点中不存在所述第二子节点(即,存在断链),不修正所述车道定位值CL(t),并且不更新所述似然树。当确认所述N叉似然树的状态出现断链时,认为此时所述车道级定位算法得到的结果EL(t)是不准确的,因此在步骤217中拒绝这一结果。即,判定当前时刻t时所述车辆仍然处于与所述车道定位值CL(t)对应的车道,并且不利用所述车道级定位算法得到的当前时刻t时所述车辆处于各个车道的相应概率来更新所述N叉似然树。
图5中示出了根据本公开示例性实施例的在某一层子节点中不存在第二子节点的N叉似然树的结构示意图。不失一般性,假设当前时刻t对应于图中的虚线框。在该示例中,虚线框中的第2个子节点与车道定位值CL(t)对应,虚线框中的第4个子节点与车道估计值EL(t)对应。由此,车道估计值EL(t)相对于车道定位值CL(t)的偏移量为2。
从所述N叉似然树的第5层向上回溯,在每一层中判断是否存在相对于与车道定位值CL(t-tk)对应的子节点偏移以偏移量2的子节点。如图5所示,当从第5层子节点向上回溯并到达第3层子节点时,第3层中的第3个子节点与车道定位值CL(t-t3)对应,此时相对于第3个子节点偏移以偏移量2的子节点应当处于第5个子节点。然而,第3层子节点中并不存在这样的第5个子节点,这导致状态的回溯出现断链。当出现断链时,表明此时获得的感知数据出现了错误,因此放弃这一帧中获得的感知数据,并放弃当前时刻t所获得的感知数据。
图6中示出了根据本公开示例性实施例的在每一层子节点中均存在第二子节点的N叉似然树的示意图。如图6所示,从虚线框中表示的子节点状态可以确定,车道估计值EL(t)相对于车道定位值CL(t)的偏移量为1,并且从最底层(第5层)向上回溯时,每一层中均存在相对于车道定位值CL(t-tk)偏移以偏移量1的子节点。
当在步骤S214中确定所述N叉似然树未出现断链时,以和步骤S213相同的方式,在步骤215中,计算所述N叉似然树的各层中与车道定位值CL(t-tk)对应的子节点(即,上面总结段落中所述的“第一子节点”)的累计似然概率log(Pcurrent)。
这里,P(1) i表示第i层中的所述“第一子节点”所代表的车道的概率。
在步骤S216中,基于上述计算得到的累计似然概率,可以获得判定值ratio:
可以将通过上式计算得到的ratio值,作为判定车辆是处于车道估计值EL(t)还是处于车道定位值CL(t)的依据。
具体地,根据计算得到的ratio的值,执行以下操作之一。
将所述车道定位值CL(t)修正为所述车道估计值EL(t),并且清空所述似然树;
不修正所述车道定位值CL(t),并且利用所述车道级定位算法得到的当前时刻t时所述车辆处于各个车道的相应概率,更新所述似然树;和
不修正所述车道定位值CL(t),并且不更新所述似然树。
如虚线框部分280中的步骤219所示,在ratio大于第一阈值(0.8)时,认为车道级定位算法所获得的结果是准确的,因此将车道定位值CL(t)修正为车道估计值EL(t)。同时,由于之前获取的所述车道定位值CL(t)出现了偏差,因此推断所获取的历史数据可能存在不准确的情形,这可能影响到后续的判定结果,因此在步骤220中清空所述N叉似然树。在下一帧的处理中,可以当前的车道估计值EL(t)作为根节点,重新初始化以生成N叉似然树。
如步骤218所示,在ratio大于第二阈值(0.5)并且不超过第一阈值(0.8)时,认为此时依据ratio不能准确地判断所述车辆是处于与所述车道估计值EL(t)对应的车道还是处于与所述车道定位值CL(t)对应的车道,因此同时保留二者的结果。即,不将车道定位值CL(t)修正为车道估计值EL(t),但是利用根据所述车道级定位算法得到的当前时刻t时所述车辆处于各个车道的相应概率,更新N叉似然树。
这里需要注意的是,尽管这一层中同时保留了所述车道定位值CL(t)与所述车道估计值EL(t)的结果,但在增加所述N叉似然树的深度时,仍然以与所述车道定位值CL(t)对应的子节点作为父节点来扩展所述N叉似然树。并且,当在时刻t+m1确定车道数量发生变化或所述车辆发生变道时,基于时刻t+m1的车道级定位算法所获得的所述车辆处于各个车道的相应概率,更新所述N叉似然树新增加的层中的各个子节点。
如步骤217所示,在ratio不超过第二阈值(0.5)时,认为所述车道级定位算法得到的车道估计值EL(t)是不准确的,因此拒绝这一结果。即,不将车道定位值CL(t)修正为车道估计值EL(t),并且不利用所述车道级定位算法得到的当前时刻t时所述车辆处于各个车道的相应概率来更新所述N叉似然树。
出于安全考虑的目的,在本公开的一些实施例中,采取较为保守的策略来修正车道。这是因为即使车道的定位出现了错误,在短时间内车辆仍然可以在当前的车道内安全行驶。如果车道定位的结果不稳定而频繁变换,反而增加了车辆行驶的风险。因此,在本公开的一些实施例中,将第一阈值设定为0.8,将第二阈值设定为0.5。当然,在应用本公开提出的方法的实际场景中,可以根据应用需求将第一阈值和第二阈值设定为其他值。
如图2所示,当对这一帧图像进行处理之后,方法200的流程结束。此时,接收下一帧图像,并重新执行如方法200的步骤。
另外,根据一些实施例,本公开还提供一种用于自动驾驶的电子设备。如图7所示,该电子设备700可以包括:处理器701;以及存储程序的存储器702,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行上述对车道级定位结果进行校验的方法之一。
这里,所述用于自动驾驶的电子设备可以包括各种有线或无线的智能导航终端、设备等。
根据一些实施例,提供了一种车辆。如图8所示,车辆800可以包括:上述的用于自动驾驶的电子设备700。
根据一些实施例,本公开还提供一种存储程序的计算机可读存储介质,所述程序包括指令,所述指令在由电子设备的处理器执行时,致使所述电子设备执行上述对车道级定位结果进行校验的方法之一。
另外,根据一些实施例,本公开还提供一种对车道级定位结果进行校验的设备900。如图9所示,设备900可以包括:获取单元910,被配置用于获取车道级定位算法得到的车辆的车道估计值EL(t),其中所述车道估计值EL(t)指示当前时刻t所述车辆处于哪一车道;对比单元920,被配置用于将所述车辆的车道定位值CL(t)与所述车道估计值EL(t)进行对比,其中所述车道定位值CL(t)根据车道定位值CL(t-1)以及所述车辆自身的运动状态推导得出,并且指示当前时刻t所述车辆处于哪一车道,其中所述车道定位值CL(t-1)指示先前时刻t-1所述车辆处于哪一车道;以及修正单元930,被配置用于响应于所述对比指示所述车道定位值CL(t)与所述车道估计值EL(t)不一致,基于似然树中存储的所述车辆的车道定位历史状态,将所述车道定位值CL(t)选择性地修正或不修正为所述车道估计值EL(t)。
这里,设备900的上述各单元910~930的操作分别与前面描述的步骤S110~S130的操作类似,在此不再赘述。
图10示出了可以被用来实施本文所描述的单元和功能的示例性计算设备2000。该计算设备2000可以是上面关于图7描述的电子设备700和关于图9描述的设备900的示例。计算设备2000可以是被配置为执行各种处理、操作和/或计算的任何机器,可以是但不限于工作站、服务器、台式计算机、膝上型计算机、平板计算机、个人数字助理、机器人、智能电话、车载计算机或其任何组合。上述对车道级定位结果进行校验的方法可以全部或至少部分地由计算设备2000或类似设备或***实现。
计算设备2000可以包括(可能经由一个或多个接口)与总线2002连接或与总线2002通信的元件。例如,计算设备2000可以包括总线2002、一个或多个处理器2004、一个或多个输入设备2006以及一个或多个输出设备2008。一个或多个处理器2004可以是任何类型的处理器,并且可以包括但不限于一个或多个通用处理器和/或一个或多个专用处理器(例如特殊处理芯片)。输入设备2006可以是能向计算设备2000输入信息的任何类型的设备,并且可以包括但不限于鼠标、键盘、触摸屏、麦克风和/或遥控器。输出设备2008可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。计算设备2000还可以包括非暂时性存储设备2010或者与非暂时性存储设备2010连接,非暂时性存储设备可以是非暂时性的并且可以实现数据存储的任何存储设备,并且可以包括但不限于磁盘驱动器、光学存储设备、固态存储器、软盘、柔性盘、硬盘、磁带或任何其他磁介质,光盘或任何其他光学介质、ROM(只读存储器)、RAM(随机存取存储器)、高速缓冲存储器和/或任何其他存储器芯片或盒、和/或计算机可从其读取数据、指令和/或代码的任何其他介质。非暂时性存储设备2010可以从接口拆卸。非暂时性存储设备2010可以具有用于实现上述方法和步骤的数据/程序(包括指令)/代码。计算设备2000还可以包括通信设备2012。通信设备2012可以是使得能够与外部设备和/或与网络通信的任何类型的设备或***,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信设备和/或芯片组,例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算设备2000还可以包括工作存储器2014,其可以是可以存储对处理器2004的工作有用的程序(包括指令)和/或数据的任何类型的工作存储器,并且可以包括但不限于随机存取存储器和/或只读存储器设备。
软件要素(程序)可以位于工作存储器2014中,包括但不限于操作***2016、一个或多个应用程序2018、驱动程序和/或其他数据和代码。用于执行上述方法和步骤的指令可以被包括在一个或多个应用程序2018中,并且上述对车道级定位结果进行校验的方法可以通过由处理器2004读取和执行一个或多个应用程序2018的指令来实现。更具体地,上述对车道级定位结果进行校验的方法中,步骤S110~步骤S130以及步骤S410~步骤S440可以例如通过处理器2004执行具有步骤S110~步骤S130以及步骤S510~步骤S540的指令的应用程序2018而实现。此外,上述对车道级定位结果进行校验的方法中的其它步骤可以例如通过处理器2004执行具有执行相应步骤中的指令的应用程序2018而实现。软件要素(程序)的指令的可执行代码或源代码可以存储在非暂时性计算机可读存储介质(例如上述存储设备2010)中,并且在执行时可以被存入工作存储器2014中(可能被编译和/或安装)。软件要素(程序)的指令的可执行代码或源代码也可以从远程位置下载。
还应该理解,可以根据具体要求而进行各种变型。例如,也可以使用定制硬件,和/或可以用硬件、软件、固件、中间件、微代码,硬件描述语言或其任何组合来实现特定元件。例如,所公开的方法和设备中的一些或全部可以通过使用根据本公开的逻辑和算法,用汇编语言或硬件编程语言(诸如VERILOG,VHDL,C++)对硬件(例如,包括现场可编程门阵列(FPGA)和/或可编程逻辑阵列(PLA)的可编程逻辑电路)进行编程来实现。
还应该理解,前述方法可以通过服务器-客户端模式来实现。例如,客户端可以接收用户输入的数据并将所述数据发送到服务器。客户端也可以接收用户输入的数据,进行前述方法中的一部分处理,并将处理所得到的数据发送到服务器。服务器可以接收来自客户端的数据,并且执行前述方法或前述方法中的另一部分,并将执行结果返回给客户端。客户端可以从服务器接收到方法的执行结果,并例如可以通过输出设备呈现给用户。还应该理解,计算设备2000的组件可以分布在网络上。例如,可以使用一个处理器执行一些处理,而同时可以由远离该一个处理器的另一个处理器执行其他处理。计算***2000的其他组件也可以类似地分布。这样,计算设备2000可以被解释为在多个位置执行处理的分布式计算***。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、***和设备仅仅是示例性的实施例或示例,本公开的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (14)
1.一种对车道级定位结果进行校验的方法,包括以下步骤:
获取车道级定位算法得到的车辆的车道估计值EL(t),其中所述车道估计值EL(t)指示当前时刻t所述车辆处于哪一车道;
将所述车辆的车道定位值CL(t)与所述车道估计值EL(t)进行对比,其中所述车道定位值CL(t)根据车道定位值CL(t-1)以及所述车辆自身的运动状态推导得出,并且指示当前时刻t所述车辆处于哪一车道,其中所述车道定位值CL(t-1)指示先前时刻t-1时所述车辆处于哪一车道;以及
响应于所述对比指示所述车道定位值CL(t)与所述车道估计值EL(t)不一致,基于似然树中存储的所述车辆的车道定位历史状态,将所述车道定位值CL(t)选择性地修正或不修正为所述车道估计值EL(t),
其中,所述似然树包括至少一层子节点,每一层中的子节点分别代表先前时刻集合{t-tk,k=1,2,…,depth}中的对应先前时刻t-tk时所述车道级定位算法使用的地图中存在的多个车道,depth表示所述似然树的深度,并且
其中,所述将所述车道定位值CL(t)选择性地修正或不修正为所述车道估计值EL(t)包括:
确定所述车道估计值EL(t)相对于所述车道定位值CL(t)的偏移量;
确定所述似然树的每一层子节点中是否存在相对于该层中的第一子节点被偏移所述偏移量的第二子节点,其中每一层子节点中的第一子节点代表对应先前时刻t-tk时所述车道定位值CL(t-tk)所指示的车道;
响应于确定所述似然树的每一层子节点中均存在所述第二子节点,确定判定值,所述判定值为所述似然树的各层中的第一子节点所代表的车道的累计概率和所述似然树的各层中的第二子节点所代表的车道的累计概率二者的函数;以及
取决于所述判定值,选择性地执行以下操作之一:
响应于所述判定值大于第一阈值,将所述车道定位值CL(t)修正为所述车道估计值EL(t),并且清空所述似然树;
响应于所述判定值大于第二阈值并且不超过第一阈值,不修正所述车道定位值CL(t),并且利用所述车道级定位算法得到的当前时刻t所述车辆处于各个车道的相应概率,更新所述似然树;和
响应于所述判定值不超过第二阈值,不修正所述车道定位值CL(t),并且不更新所述似然树。
2.根据权利要求1所述的方法,
其中,所述车辆的车道定位历史状态包括:每个先前时刻t-tk时所述车辆的车道定位值CL(t-tk)、以及所述车道级定位算法得到的每个先前时刻t-tk时所述车辆处于所述多个车道中的各个车道的相应概率。
3.根据权利要求1所述的方法,其中,所述将所述车道定位值CL(t)选择性地修正或不修正为所述车道估计值EL(t)还包括:
响应于确定所述似然树的某一层子节点中不存在所述第二子节点,不修正所述车道定位值CL(t),并且不更新所述似然树。
4.根据权利要求2所述的方法,还包括:
响应于所述对比指示所述车道定位值CL(t)与所述车道估计值EL(t)一致,利用所述车道级定位算法得到的当前时刻t所述车辆处于各个车道的相应概率,更新所述似然树。
5.根据权利要求1至4中任一项所述的方法,其中,所述利用所述车道级定位算法得到的当前时刻t所述车辆处于各个车道的相应概率,更新所述似然树包括:
响应于基于所述地图确定车道数目已变化或基于所述车辆的运动状态确定所述车辆已变更车道,将所述似然树增加一层子节点,该增加的一层子节点分别代表当前时刻t所述地图中存在的各个车道,将当前时刻t所述车辆处于各个车道的相应概率分别存储到该增加的一层子节点中的相应子节点中。
6.根据权利要求1至4中任一项所述的方法,其中,所述利用所述车道级定位算法得到的当前时刻t所述车辆处于各个车道的相应概率,更新所述似然树包括:
响应于基于所述地图确定车道数目未变化并且基于所述车道定位值CL(t)确定所述车辆未变更车道,将当前时刻t所述车辆处于各个车道的相应概率分别累积到所述似然树的当前深度最大的层中的相应子节点中。
7.根据权利要求5所述的方法,其中,所述将所述似然树增加一层子节点包括:
以所述似然树的当前深度最大的层的子节点中与车道定位值CL(t-t1)所指示的车道对应的子节点作为父节点,将所述似然树增加所述一层子节点。
8.根据权利要求7所述的方法,还包括:
当所述似然树的深度超过预定值时,去除所述似然树的根节点、以及第1层子节点中除车道定位值CL(t-tdepth)所指示的车道对应的子节点以外的子节点。
9.根据权利要求1所述的方法,其中,所述车辆的车道估计值EL(t)指示当前时刻t时所述车道级定位算法使用的地图中存在的多个车道中概率最大的车道。
10.根据权利要求1所述的方法,其中,根据以下公式确定所述判定值:
其中,log(Pexpected)表示所述似然树的各层中的所述第二子节点所代表的车道的累计概率,P(2) i表示第i层中的所述第二子节点所代表的车道的概率;
其中,log(Pcurrent)表示所述似然树的各层中的所述第一子节点所代表的车道的累计概率,P(1) i表示第i层中的所述第一子节点所代表的车道的概率。
11.一种对车道级定位结果进行校验的设备,包括:
获取单元,被配置用于获取车道级定位算法得到的车辆的车道估计值EL(t),其中所述车道估计值EL(t)指示当前时刻t所述车辆处于哪一车道;
对比单元,被配置用于将所述车辆的车道定位值CL(t)与所述车道估计值EL(t)进行对比,其中所述车道定位值CL(t)根据车道定位值CL(t-1)以及所述车辆自身的运动状态推导得出,并且指示当前时刻t所述车辆处于哪一车道,其中所述车道定位值CL(t-1)指示先前时刻t-1时所述车辆处于哪一车道;以及
修正单元,被配置用于响应于所述对比指示所述车道定位值CL(t)与所述车道估计值EL(t)不一致,基于似然树中存储的所述车辆的车道定位历史状态,将所述车道定位值CL(t)选择性地修正或不修正为所述车道估计值EL(t),
其中,所述似然树包括至少一层子节点,每一层中的子节点分别代表先前时刻集合{t-tk,k=1,2,…,depth}中的对应先前时刻t-tk时所述车道级定位算法使用的地图中存在的多个车道,depth表示所述似然树的深度,并且
其中,所述将所述车道定位值CL(t)选择性地修正或不修正为所述车道估计值EL(t)包括:
确定所述车道估计值EL(t)相对于所述车道定位值CL(t)的偏移量;
确定所述似然树的每一层子节点中是否存在相对于该层中的第一子节点被偏移所述偏移量的第二子节点,其中每一层子节点中的第一子节点代表对应先前时刻t-tk时所述车道定位值CL(t-tk)所指示的车道;
响应于确定所述似然树的每一层子节点中均存在所述第二子节点,确定判定值,所述判定值为所述似然树的各层中的第一子节点所代表的车道的累计概率和所述似然树的各层中的第二子节点所代表的车道的累计概率二者的函数;以及
取决于所述判定值,选择性地执行以下操作之一:
响应于所述判定值大于第一阈值,将所述车道定位值CL(t)修正为所述车道估计值EL(t),并且清空所述似然树;
响应于所述判定值大于第二阈值并且不超过第一阈值,不修正所述车道定位值CL(t),并且利用所述车道级定位算法得到的当前时刻t所述车辆处于各个车道的相应概率,更新所述似然树;和
响应于所述判定值不超过第二阈值,不修正所述车道定位值CL(t),并且不更新所述似然树。
12.一种对车道级定位结果进行校验的电子设备,包括:
处理器;以及
存储程序的存储器,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据权利要求1~10中任一项所述的方法。
13.一种车辆,包括:
根据权利要求12所述的用于对车道级定位结果进行校验的电子设备。
14.一种存储程序的计算机可读存储介质,所述程序包括指令,所述指令在由电子设备的处理器执行时,致使所述电子设备执行根据权利要求1~10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010621661.1A CN111814114B (zh) | 2020-06-30 | 2020-06-30 | 车道定位校验的方法、设备、电子设备、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010621661.1A CN111814114B (zh) | 2020-06-30 | 2020-06-30 | 车道定位校验的方法、设备、电子设备、车辆及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814114A CN111814114A (zh) | 2020-10-23 |
CN111814114B true CN111814114B (zh) | 2023-12-08 |
Family
ID=72856773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010621661.1A Active CN111814114B (zh) | 2020-06-30 | 2020-06-30 | 车道定位校验的方法、设备、电子设备、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814114B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113701781B (zh) * | 2021-09-30 | 2023-07-18 | 重庆长安汽车股份有限公司 | 一种基于高精地图和视觉车道线的匹配车道搜索方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110029A (zh) * | 2019-05-17 | 2019-08-09 | 百度在线网络技术(北京)有限公司 | 用于匹配车道的方法和装置 |
CN110556012A (zh) * | 2019-09-16 | 2019-12-10 | 北京百度网讯科技有限公司 | 车道定位方法及车辆定位*** |
US10553117B1 (en) * | 2018-11-06 | 2020-02-04 | Toyota Motor Engineering & Manufacturing North America, Inc. | System and method for determining lane occupancy of surrounding vehicles |
CN110979346A (zh) * | 2019-11-29 | 2020-04-10 | 北京百度网讯科技有限公司 | 确定车辆所处车道的方法、装置及设备 |
CN111046709A (zh) * | 2018-10-15 | 2020-04-21 | 广州汽车集团股份有限公司 | 车辆车道级定位方法、***、车辆及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8452535B2 (en) * | 2010-12-13 | 2013-05-28 | GM Global Technology Operations LLC | Systems and methods for precise sub-lane vehicle positioning |
US10611371B2 (en) * | 2017-09-14 | 2020-04-07 | Toyota Motor Engineering & Manufacturing North America, Inc. | System and method for vehicle lane change prediction using structural recurrent neural networks |
-
2020
- 2020-06-30 CN CN202010621661.1A patent/CN111814114B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046709A (zh) * | 2018-10-15 | 2020-04-21 | 广州汽车集团股份有限公司 | 车辆车道级定位方法、***、车辆及存储介质 |
US10553117B1 (en) * | 2018-11-06 | 2020-02-04 | Toyota Motor Engineering & Manufacturing North America, Inc. | System and method for determining lane occupancy of surrounding vehicles |
CN110110029A (zh) * | 2019-05-17 | 2019-08-09 | 百度在线网络技术(北京)有限公司 | 用于匹配车道的方法和装置 |
CN110556012A (zh) * | 2019-09-16 | 2019-12-10 | 北京百度网讯科技有限公司 | 车道定位方法及车辆定位*** |
CN110979346A (zh) * | 2019-11-29 | 2020-04-10 | 北京百度网讯科技有限公司 | 确定车辆所处车道的方法、装置及设备 |
Non-Patent Citations (4)
Title |
---|
Real-time lane detection for autonomous vehicle;Seung Gweon Jeong et al.;2001 IEEE International Symposium on Industrial Electronics Proceedings;第3卷;1466-1471 * |
基于车道信息融合的车辆行为识别;宋士奇;朴燕;王健;;液晶与显示(第01期);83-93 * |
结构化道路中动态车辆的轨迹预测;谢辉;高斌;熊硕;王悦;;汽车安全与节能学报(第04期);27-36 * |
车辆导航***中基于三维电子地图的单GPS车道级定位方法研究;张林;杨兆升;冯金巧;汪建;;交通与计算机(第06期);22-26 * |
Also Published As
Publication number | Publication date |
---|---|
CN111814114A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110979346B (zh) | 确定车辆所处车道的方法、装置及设备 | |
CN109215372B (zh) | 路网信息更新方法、装置及设备 | |
US10036639B1 (en) | Systems and methods for determining and displaying a route using information determined from a vehicle, user feedback, and a mobile electronic device | |
KR102054090B1 (ko) | 주유소 poi를 자동적으로 발견하는 방법, 장치, 저장 매체 및 기기 | |
CN110006439B (zh) | 地图轨迹数据的匹配方法、装置、服务器及存储介质 | |
JP7371148B2 (ja) | 車両の測位情報の決定方法、装置、記憶媒体及びプログラム | |
CN107745711B (zh) | 一种在自动驾驶模式下确定路线的方法和装置 | |
CN112100565B (zh) | 一种道路曲率确定方法、装置、设备及存储介质 | |
CN113587944B (zh) | 准实时的车辆行驶路线生成方法、***及设备 | |
Abdelrahman et al. | Crowdsensing-based personalized dynamic route planning for smart vehicles | |
CN111814114B (zh) | 车道定位校验的方法、设备、电子设备、车辆及存储介质 | |
CN111288971A (zh) | 一种视觉定位方法及装置 | |
CN111383246A (zh) | 条幅检测方法、装置及设备 | |
JP2019207177A (ja) | 自己位置推定装置 | |
TWI583926B (zh) | 導航處理方法及行動智能終端 | |
CN113108806A (zh) | 路径规划方法、装置、设备及介质 | |
CN115908498B (zh) | 一种基于类别最优匹配的多目标跟踪方法及装置 | |
WO2022252482A1 (zh) | 机器人及其环境地图构建方法和装置 | |
US10502839B2 (en) | Battery efficient automatic mileage tracking | |
CN112729349B (zh) | 里程计在线标定的方法、装置、电子设备及存储介质 | |
CN115249407B (zh) | 指示灯状态识别方法、装置、电子设备、存储介质及产品 | |
CN113183988B (zh) | 一种车辆自动驾驶的监督方法、装置、设备及存储介质 | |
CN110928277A (zh) | 智能路侧单元的障碍物提示方法、装置及设备 | |
CN112985440A (zh) | 行驶轨迹偏移的检测方法、装置、存储介质及程序产品 | |
CN113701768A (zh) | 一种路径确定方法、装置及电子设备 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211019 Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Applicant after: Apollo Intelligent Technology (Beijing) Co.,Ltd. Address before: 2 / F, *** building, 10 Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |