CN111914691A - 一种轨道交通车辆定位方法及*** - Google Patents
一种轨道交通车辆定位方法及*** Download PDFInfo
- Publication number
- CN111914691A CN111914691A CN202010680791.2A CN202010680791A CN111914691A CN 111914691 A CN111914691 A CN 111914691A CN 202010680791 A CN202010680791 A CN 202010680791A CN 111914691 A CN111914691 A CN 111914691A
- Authority
- CN
- China
- Prior art keywords
- train
- platform
- station
- distance
- parking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 65
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 abstract description 10
- 238000009434 installation Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L25/00—Recording or indicating positions or identities of vehicles or trains or setting of track apparatus
- B61L25/02—Indicating or recording positions or identities of vehicles or trains
- B61L25/026—Relative localisation, e.g. using odometer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Mechanical Engineering (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明实施例提供一种轨道交通车辆障碍物检测方法及***,包括:获取列车的实时车速信息,根据实时车速信息计算列车的行驶里程和列车每次的停车间距;利用停车间距进行站间距匹配,获取站间距匹配结果;获取列车在每次停车时的站台图像,基于神经网络识别技术,对站台图像进行识别,获取站台识别结果;根据站间距匹配结果和站台识别结果,确定列车的准确停车站台;根据列车从准确停车站台出发的行驶里程,确定列车的定位信息。本发明实施例提供的轨道交通车辆障碍物检测方法及***,仅通过站台图像和车速信息,即可完成列车在轨道线路上米级精度的定位,安装和维护成本低。
Description
技术领域
本发明涉及轨道交通技术领域,尤其涉及一种轨道交通车辆定位方法及***。
背景技术
能否获取准确的车辆位置信息,对于获取列车的感知环境信息而言意义重大,包括:通过定位找到列车在地图中位置,可以从地图中获取到远超车载传感器感知能力的环境信息。
目前,主流的车辆定位方法有以下几种:通过卫星定位***(Global PositioningSystem,简称GPS)、北斗等卫星导航***实现车辆定位;通过建立高精度点云地图,在车辆行驶过程中不断与地图中的点云进行匹配,实现车辆的定位;事先在车辆运行线路上安装RFID信标,车辆实时对信标进行检测,通过信标提供的信息,对车辆进行定位等。
对于地铁车辆而言,车辆大部分时间是行驶在隧道环境中的,车辆无法获取到GPS等卫星信号,因此无法通过卫星导航***实现定位。建立高精度点云地图的过程较复杂,并且依赖于高成本的激光雷达,列车运行过程中需要进行实时的点云匹配,对车载***的计算能力要求较高,并且在隧道场景下,环境特征很少,点云匹配难度较大。采用事先安装在轨道线路上的RFID信标进行定位,为保证定位精度,需要在线路上安装大量的信标,并且车辆上需要安装与RFID信标近距离接触的检测设备,这些硬件设施的安装和维护成本较高。
有鉴于现有技术中所涉及的列车定位均存在或多或少的缺陷,亟需提供一种新的轨道交通车辆定位方法,以提高定位的精准度和适应性,减小硬件设施的安装和维护成本。
发明内容
本发明实施例提供一种轨道交通车辆定位方法及***,用以解决现有技术中硬件设施的安装和维护成本较高、定位精度低的缺陷。
第一方面,本发明实施例提供一种轨道交通车辆定位方法,主要包括:获取列车的实时车速信息,根据实时车速信息计算列车的行驶里程和列车每次的停车间距;利用停车间距进行站间距匹配,获取站间距匹配结果;获取列车在每次停车时的站台图像,基于神经网络识别技术,对站台图像进行识别,获取站台识别结果;根据站间距匹配结果和站台识别结果,确定列车的准确停车站台;根据列车从准确停车站台出发的行驶里程,确定列车的定位信息。
作为可选地,上述根据实时车速信息计算列车的行驶里程和列车每次的停车间距,主要包括:分别获取列车每次由启动到停止这一时间段内的实时车速信息;分别对每个时间段内的实时车速信息进行积分,获取列车每次的停车间距;将列车每次的停车间距进行累加获取列车的行驶里程。
作为可选地,上述利用停车间距进行站间距匹配,获取站间距匹配结果,主要包括:将列车每次的停车间距依次与列车行驶线路上的站间距进行匹配;若存在连续K1个停车间距与连续K1个站间距相匹配,则将站间距匹配结果设置为成功;若不存在连续K1个停车间距与连续K1个站间距相匹配,则将站间距匹配结果设置为失败;K1为停车区间的数量,K1≥2。
作为可选地,在利用停车间距进行站间距匹配之前,还包括:选择列车行驶线路中的最长线路,并根据最长线路上的站间距生成第一站间距列表;将列车行驶线路中未被最长线路覆盖的线路分别向前和向后延长两个站间距,生成第二站间距列表;在第二站间距列表中,合并首尾有重叠的站间距,生成第三站间距列表;由第一站间距列表和第三站间距列表,组建总站间距列表;将列车每次的停车间距依次与列车行驶线路上的站间距进行匹配,具体是将列车每次的停车间距依次与总站间距列表进行匹配。
作为可选地,上述基于神经网络识别技术,对站台图像进行识别,获取站台识别结果,主要包括:
在列车每次进站后,获取所在站台的站台图像,并将所有站台图像按照采集顺序依次排列构建站台图像集;依次将每幅站台图像作为站台识别网络模型的输入,获取由站台识别网络模型输出的与输入的站台图像相对应的目标识别结果,组建目标识别结果集;若目标识别结果集中存在连续K2个目标识别结果大于预设阈值时,则将站台识别结果设置为成功;若目标识别结果集中不存在连续K2个目标识别结果大于预设阈值时,则将站台识别结果设置为失败;K2为目标识别结果的数量,K2≥2。
作为可选地,在依次将每幅站台图像作为站台识别网络模型的输入,获取由所述站台识别网络模型输出的与输入的站台图像相对应的目标识别结果之前,还可以包括:采集不同天气条件、不同光线条件下的各站台图像作为训练样本,并以每个训练样本所对应的识别结果作为标签,组建训练样本集;利用训练样本集对站台识别网络模型进行迭代训练。
作为可选地,上述根据站间距匹配结果和站台识别结果,确定列车的准确停车站台,主要包括:若站台识别结果为成功,则直接根据站台识别结果确定列车的准确停车站台;若站台识别结果为失败,且站间距匹配结果为成功,则根据站间距匹配结果确定列车的准确停车站台;若站台识别结果为失败,且站间距匹配结果为失败,则当前站识别失败,继续进行站间距匹配结果和站台识别结果的收集,直至获取到列车的准确停车站台。
作为可选地,上述根据列车从准确停车站台出发的行驶里程,确定列车的定位信息,主要包括:在获取列车的准确停车站台后,确定列车的当前定位;以当前定位作为起点,以列车的行驶里程作为移动距离,在列车的行驶路线上确定列车的定位信息。
第二方面,本发明实施例还提供一种轨道交通车辆定位***,包括车速运算单元、站间距匹配单元、站台识别单元、站台定位单元和列车定位单元,其中:
车速运算单元,用于获取列车的实时车速信息,根据实时车速信息计算列车的行驶里程和列车每次的停车间距;站间距匹配单元,用于利用停车间距进行站间距匹配,获取站间距匹配结果;站台识别单元,用于获取列车在每次停车时的站台图像,基于神经网络识别技术,对站台图像进行识别,获取站台识别结果;站台定位单元,用于根据站间距匹配结果和站台识别结果,确定列车的准确停车站台;列车定位单元,用于根据列车从准确停车站台出发的行驶里程,确定列车的定位信息。
第三方面,本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述轨道交通车辆定位方法的步骤。
第四方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述轨道交通车辆定位方法的步骤。
本发明实施例提供的轨道交通车辆定位方法及***,仅通过站台图像和车速信息,即可完成列车在轨道线路上米级精度的定位,安装和维护成本低。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种轨道交通车辆定位方法的流程示意图;
图2是本发明实施例提供的另一种轨道交通车辆定位方法的流程示意图;
图3是本发明实施例提供的一种列车行驶线路示意图;
图4是本发明实施例提供的第一站间距列表示意图;
图5为本发明实施例提供的第二站间距列表示意图;
图6为本发明实施例提供的第三站间距列表的构建示意图;
图7为本发明实施例提供的一种根据站间距匹配结果和站台识别结果确定列车的准确停车站台的流程示意图;
图8为本发明实施例提供的一种轨道交通车辆定位***的结构示意图;
图9是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了有效克服现有技术在进行列车定位时存在的硬件设施的安装和维护成本较高、受环境干扰从而影响定位精度的缺陷,本发明实施例提供一种低成本的轨道交通车辆定位方法,如图1所示,包括但不限于以下步骤:
步骤S1:获取列车的实时车速信息,根据所述实时车速信息计算列车的行驶里程和列车每次的停车间距;
步骤S2:利用停车间距进行站间距匹配,获取站间距匹配结果;
步骤S3:获取列车在每次停车时的站台图像,基于神经网络识别技术,对站台图像进行识别,获取站台识别结果;
步骤S4:根据站间距匹配结果和所述站台识别结果,确定列车的准确停车站台;
步骤S5:根据列车从准确停车站台出发的行驶里程,确定列车的定位信息。
总体来说,本申请的技术方案仅需要通过获取列车在进入每个站台后拍摄的站台图像结合车速信息,即可以实现列车的定位。其具体地定位步骤包括:
首先,可以利用设置于列车上轮速计或者毫米波雷达或者激光雷达实现列车的实时车速信息的收集及存储,本发明实施例不对车速的获取方式作具体地限制。
进一步地,由于通过对一段时间内的速度进行积分,可以获取到该段时间内的移动距离,故在本发明实施例中,可以通过对实时车速信息进行积分运算,获取到列车每次的停车间距。其中,每个停车间距是指列车由上一次速度为0的时刻,即积分的起点是列车上一次停车的位置,积分的终点为当前位置。在本发明实施例中,可以通过对实时车速信息进行分段积分,从而获取到依次顺序排列的多个停车间距。
进一步地,还可以通过累加的方式,确定出列车在任意时间段内的行驶里程。
进一步地,在本发明实施例中,可以在列车每次停车时,精心依次站间距的匹配,其具体地操作方法包括:用最近若干次的停车间距与线路上的实际站间距进行匹配,以确定当前停车位置对应的站台信息。例如,将获取的若干次停车间距(例如四个站台间的停车间距)依次与线路上的实际站间距进行匹配,若获取到上述若干次停车间距恰好与实际站间距中的某四个站台间距吻合,这可以判断出上述四个站台对应着实际站间距中的这四个站台。需要说明的是,在实际的匹配过程可以适当的增加用于匹配的停车间距的个数,以增加检测的准确度,对于具体地匹配个数,本发明实施例不作具体地限定。
作为可选地,在本发明实施例中,在完成匹配后,可以在存储的总里程超过一定阈值时,对最早记录的停车间距进行删除操作,以保证较低的***内存占用。
进一步地,在列车每一次进站后,利用预先设置于列车上的相机进行站台图像的获取,并利用预先训练完成的神经网络模型,对图像进行识别,以确定所进的车站名称作为站台识别结果。或者,利用神经网络模型对输入的站台图像进行识别,以识别出当前站台与线路地图上站台的对应的关系,比如匹配度作为站台识别结果。
然后,对在同一时间获取的站间距匹配结果和站台识别结果进行融合处理,确定出列车的准确停车站台。例如:若根据站间距匹配结果获取到列车所在的当前站与列车行驶线路上的F站匹配,且站台识别结果也显示两者的匹配度大于预设的阈值(比如95%),则可以将当前站确定为F站。
最后,根据列车从准确停车站台出发的行驶里程,确定列车的定位信息。例如:若确定当前站确定为F站,则可以随时根据列车从F站出发后的行驶里程,在列车的行驶线路上确定出列车的实时定位信息。
本发明实施例提供的轨道交通车辆定位方法,通过收集列车在每次停车时的站台图像以及实时车速信息,分别进行站台识别结果和站间距匹配结果的确定,并将两个结果进行融合,确定列车的停车站台,以结合站台信息和列车的行驶里程信息,进行列车的实时定位,实现了通过站台图像和车速信息,即可完成列车在轨道线路上米级精度的定位,安装和维护成本低。
基于上述实施例的内容,作为一种可选实施例,上述根据实时车速信息计算列车的行驶里程和列车每次的停车间距,主要包括但不限于以下步骤:分别获取列车每次由启动到停止这一时间段内的实时车速信息;分别对每个时间段内的实时车速信息进行积分,获取列车每次的停车间距;将列车每次的停车间距进行累加获取列车的行驶里程。
具体地,在本发明实施例中,实时车速信息可以是通过设置在列车上的毫米波雷达、激光雷达、轮速计等进行测量并存储在车载计算机中。在每次列车进站后,则可以在每次停车后进行站间距计算及匹配。可以依次将列车每次由启动到停止时间段内的实时车速信息进行积分,则可以获取到该段时间内的行驶距离。按这一方法可以对实时车速信息按速度为0时进行划分为连续的行车段,则可以获取各个停车间距。
若需要获取列车的历史行驶里程,仅需要获取到起始站台和目标站台,则可以通过将停车间距进行累加的方式,获取由该起始点至目标站台的行驶里程。进一步地,若需要计算列车的当前行驶里程,还可以在获取到当前出发站台后,结合车载的里程计进行计算获取。
本发明实施例提供的轨道交通车辆定位方法,仅需要根据车速信息则可以获取到列车的行驶里程和列车每次的停车间距,经过站间距匹配就可以推导出列车的当前站台,然后再结合列车的行驶里程,实现列车的精准定位。采用这一方法,无需安装其他的硬件设施,不依赖于GPS等外部信号的输入,在保证了列车定位信息的高可靠性的同时,减少了人力物力的消耗。
基于上述实施例的内容,作为一种可选实施例,如图2的部分所示,上述利用停车间距进行站间距匹配,获取站间距匹配结果,可以包括以下步骤:
将列车每次的停车间距依次与列车行驶线路上的站间距列表进行匹配;若存在连续K1个停车间距与连续K1个站间距相匹配,则将站间距匹配结果设置为成功;若不存在连续K1个停车间距与连续K1个站间距相匹配,则将站间距匹配结果设置为失败;K1为停车区间的数量,K1≥2。
站间距匹配可以在每次停车时进行,具体操作方法可以是:根据实时车速信息,进行各个停车间距计算;然后,用最近若干次的停车间距与列车行车线路上的实际站间距列表进行匹配,以确定当前停车位置对应的站台信息。
图3为本发明实施例提供的一种列车行驶线路示意图,以图3所示的行车线路为例,假设记过计算存在连续3个停车间距与该线路上的1-2-3这3个站间距恰好匹配,则可以说明具有相当大的概率这3个停车间距为站间距1-2-3。因此,可以确定出站间距匹配结果为成功,并可以以此定位列车当前所在的站台。若将上述连续3个停车间距与图3所示的行车线路中的所有站间距进行匹配后,若不存在连续3个站间距与之匹配,则说明此次站间距匹配结果设置为失败,可以用其它的若干个连续停车间距进行匹配。
本发明实施例提供的轨道交通车辆定位方法,通过将多个连续提车间距与列车行驶线路上的站间距列表进行匹配,以实现对列车当前所在站台的定位,不依赖于GPS等外部信号的输入,在保证了列车定位信息的高可靠性的同时,需安装其他的硬件设施,大大的降低了安装和维护成本。
基于上述实施例的内容,作为一种可选实施例,在利用停车间距进行站间距匹配之前,还包括:选择列车行驶线路中的最长线路,并根据最长线路上的站间距生成第一站间距列表;将列车行驶线路中未被最长线路覆盖的线路分别向前和向后延长两个站间距,生成第二站间距列表;在第二站间距列表中,合并首尾有重叠的站间距,生成第三站间距列表;由第一站间距列表和所述第三站间距列表,组建总站间距列表;将列车每次的停车间距依次与列车行驶线路上的站间距进行匹配,具体是将列车每次的停车间距依次与所述总站间距列表进行匹配。
在列车的实际运行线路中,列车的行驶线路可能存在分支线路以及提前折返区和多个折返点,如图3所示线路中,站间距3、4、5是连续的三站、3、17、18也是连续的三站、A1、A2、1是连续的三站,B1、B2、1也是连续的三站。因此,一个站间距列表无法覆盖所有的连续三个站间距。因此,在本发明实施例中通过设计多个站间距列表组建成总站间距列表,用停车间距与总站间距列表进行依次匹配。
其中,站间距列表的制作方式可以如下:
首先,选择线路中最长的一条环线或者单向线路,用其站间距生成第一站间距列表,如图4所示。
然后,将每条未覆盖的线路前后延长两个站间距,生成第二站间距列表,如图5所示。其中,浅色的方框表示在上一步骤中未被所述最长线路覆盖的线路,深色的方框表示将未被覆盖的线路向前和向后延长的两个站间距。
进一步地,对构建生成的第二站间距列表进行简化,包括:合并首尾有重叠的站间距列表以去除冗余,生成如图6所示的第三站间距列表。其中,站间距15和站间距2表示上一步骤中,即第二站间距列表的重叠站间距。
最后,将简化获取的第三站间距列表与第一站间距列表一起组成完整的站间距列表,即获取总站间距列表。
由于站间距匹配要考虑连续多站的站间距(最好大于2个站间距)的匹配情况,对于复杂线路,线路中存在分叉路口,某一站间距的前两个站间距会有多种情况,因此,在本发明实施例中通过预先构建包含所有行车情况的总站间距列表,有效的提高了匹配的精确性。
需要说明的是,在本发明实施例提供的轨道交通车辆定位方法,可以单独利用站间距匹配的方法,实现列车的准确停车站台的确定,仅需要在进行站台匹配时选取合适数量的连续停车间距与总站间距列表进行匹配。作为可选的,可以在匹配结果为成功的情况下,抽取出其他的连续停车间距再次与总站间距列表进行匹配验证,对此本发明实施例不作具体地限定。
基于上述实施例的内容,作为一种可选实施例,如图2部分所示,基于神经网络识别技术,对站台图像进行识别,获取站台识别结果,包括:在列车每次进站后,获取所在站台的站台图像,并将所有站台图像按照采集顺序依次排列构建站台图像集;依次将每幅站台图像作为站台识别网络模型的输入,获取由站台识别网络模型输出的与输入的站台图像相对应的目标识别结果,组建目标识别结果集;若目标识别结果集中存在连续K2个目标识别结果大于预设阈值时,则将站台识别结果设置为成功;若目标识别结果集中不存在连续K2个目标识别结果大于预设阈值时,则将站台识别结果设置为失败;K2为目标识别结果的数量,K2≥2。
具体地,在本发明实施例中还提供了一种基于图像识别技术,通过站台识别的方法进行列车的当前准确停车站台的定位,主要是利用训练好的深度学习模型,通过站台的图像,识别出当前站台与线路地图上站台的对应的关系,以获列车停车时的所在位置。
整个利用站台图像进行识别的方法流程包括:站台图像的获取、网络模型的运算过程(即站台识别过程)。
其中,由于站台识别的目的是找到当前站台和线路地图上站台的对应的关系,因此,所选用的神经网络类型可以采用分类网络,如ResNet、MobileNet等
因为是对站台图像进行识别,因此,站台识别只需要在列车每次停车时进行即可。列车在站台的停车时间一般在20秒以上,因此,对站台识别网络的识别速度要求较低,只要能在停车期间识别出结果即可。
站台识别网络的输出结果,是当前站台与整个列车运行线路上各个站台的归一化匹配概率,为保证识别结果的可靠性,只有当最大匹配概率连续K2次(如3次)大于预设阈值(如0.9)时,才认为站台识别成功。
需要说明的,在单独根据站台识别结果,进行列车的准确停车站台的确定容易受光线、拍摄角度额限制,容易获取到错误的识别结果,从而影响列车的定位精度。
本发明实施例中根据深度学习的站台识别结果以及站间距匹配得到的结果,综合推导出列车的准确停车站台,然后根据列车从准确停车站台出发的行驶里程,最终确定列车的定位信息,有效的提高了定位的精度,且在定位的过程中,无需预设设置其他的硬件设施,减小了设备购置及维护的费用。
基于上述实施例的内容,作为一种可选实施例,在依次将每幅站台图像作为站台识别网络模型的输入,获取由所述站台识别网络模型输出的与输入的站台图像相对应的目标识别结果之前,还包括:采集不同天气条件、不同光线条件下的各站台图像作为训练样本,并以每个训练样本所对应的识别结果作为标签,组建训练样本集;利用训练样本集对站台识别网络模型进行迭代训练。
为了保证所利用的站台识别网络模型的可靠性及精度,在采集训练集数据过程中,应充分采集不同天气条件、不同光线条件下站台图像作为模型训练的输入,同时对每幅用于训练的样本图像设置对应的识别标签。作为可选地,模型训练的输入数据可以是车载相机在各个站台停车时,拍摄到的站台图像;每个图像的标签就是各个站台的名称或ID。为了保证站台识别网络的可靠性,在采集训练集数据过程中,应充分采集不同天气条件、不同光线条件下站台图像。
基于上述实施例的内容,作为一种可选的实施例,上述根据站间距匹配结果和所述站台识别结果,确定列车的准确停车站台,可以包括:若站台识别结果为成功,则直接根据站台识别结果确定列车的准确停车站台;若站台识别结果为失败,且站间距匹配结果为成功,则根据站间距匹配结果确定列车的准确停车站台;若站台识别结果为失败,且站间距匹配结果为失败,则当前站识别失败,继续进行站间距匹配结果和站台识别结果的收集,直至获取到列车的准确停车站台。
具体地,如图7所示,本发明实施例提供了一种将站台识别结果和站间距匹配结果相融合确定列车的准确停车站台的方法,由于站台识别结果和站间距匹配结果,在一致或者不一致的情况下,需要对两种算法的结果进行取舍。站台识别与站间距匹配的具体融合方案如下:
1)若站台识别结果为成功
由于在本发明实施例中,加入了连续多次识别成功这一过滤条件,因此,站台识别的误识别率很低,则如果站台识别成功,则相信站台识别结果是正确的,故直接根据所述站台识别结果确定列车的准确停车站台。
2)若站台识别结果为失败,但连续多站的站间距匹配结果为成功。
如果站台识别失败(尾端运行或光线恶劣),但连续停车间距的匹配成功站数超过K2(比如3),则根据站间距匹配结果确定列车的准确停车站台。
3)若站台识别结果为失败且站间距匹配结果液位失败
如果站台识别失败,且站间距连续匹配成功站数少于3站,则当前站识别失败。
本发明实施例提供的轨道交通车辆定位方法,通过确定以站台识别为主、以站间距匹配为辅的融合策略,有效的实现了站台识别与站间距匹配的具体融合,有效的提高了定位列车的当前停车站台的准确性,提高了列车定位的精度。
基于上述实施例的内容,作为一种可选实施例,上述根据列车从准确停车站台出发的行驶里程,确定列车的定位信息,具体可以包括:
在获取列车的所述准确停车站台后,确定列车的当前定位;以当前定位作为起点,以列车的行驶里程作为移动距离,在列车的行驶路线上确定列车的定位信息。
本发明实施例提供的轨道交通车辆定位方法,在获取到列车停车站台的信息后,就知道了列车当前的定位信息,列车开车后,则仅需要以站台为起点,计算列车的行驶里程,就可以获知列车实时的定位信息。
本发明实施例还提供一种轨道交通车辆定位***,如图8所示,包括但不限于,车速运算单元1、站间距匹配单元2、站台识别单元3、站台定位单元4和列车定位单元5,其中:车速运算单元1主要用于获取列车的实时车速信息,根据实时车速信息计算列车的行驶里程和列车每次的停车间距;站间距匹配单元2主要用于利用停车间距进行站间距匹配,获取站间距匹配结果;站台识别单元3主要用于获取列车在每次停车时的站台图像,基于神经网络识别技术,对站台图像进行识别,获取站台识别结果;站台定位单元4主要用于根据站间距匹配结果和站台识别结果,确定列车的准确停车站台;列车定位单元5主要用于根据列车从准确停车站台出发的行驶里程,确定列车的定位信息。
具体地,本发明实施例提供的轨道交通车辆定位***,通过车速运算单元1采集列车的实时车速信息,进行积分以及累加运算确定列车的行驶里程和列车每次的停车间距后,将列车每次的停车间距输入至站间距匹配单元2中完成站间距匹配。通过站台识别单元3采集每次停车时的站台图像,输入至预先训练的神经网络模型中,进行站台识别。然后,通过站台定位单元4根据站间距匹配单元2以及站台识别单元3的运算结果,确定出列车的准确停车站台。最后,通过列车定位单元5根据站台定位单元4的运算结果结合车速运算单元1中计算的列车的行驶里程,可以实现对列车的精准定位。
本发明实施例提供的轨道交通车辆定位***,通过收集列车在每次停车时的站台图像以及实时车速信息,分别进行站台识别结果和站间距匹配结果的确定,并将两个结果进行融合,确定列车的停车站台,以结合站台信息和列车的行驶里程信息,进行列车的实时定位,实现了通过站台图像和车速信息,即可完成列车在轨道线路上米级精度的定位,安装和维护成本低。
需要说明的是,本发明实施例提供的轨道交通车辆定位***,在具体执行时,可以运行上述任一实施例所述的轨道交通车辆定位方法,对此本实施例不作赘述。
图9示例了一种电子设备的实体结构示意图,如图9所示,该电子设备可以包括:处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940,其中,处理器910,通信接口920,存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令,以执行轨道交通车辆定位方法,该方法包括:获取列车的实时车速信息,根据实时车速信息计算列车的行驶里程和列车每次的停车间距;利用停车间距进行站间距匹配,获取站间距匹配结果;获取列车在每次停车时的站台图像,基于神经网络识别技术,对站台图像进行识别,获取站台识别结果;根据站间距匹配结果和站台识别结果,确定列车的准确停车站台;根据列车从准确停车站台出发的行驶里程,确定列车的定位信息。
此外,上述的存储器930中的逻辑指令可以通过软件功能单元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说对现有技术做出贡献的部分或者该技术方案的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,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个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,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的轨道交通车辆定位的方法,该方法包括:获取列车的实时车速信息,根据实时车速信息计算列车的行驶里程和列车每次的停车间距;利用停车间距进行站间距匹配,获取站间距匹配结果;获取列车在每次停车时的站台图像,基于神经网络识别技术,对站台图像进行识别,获取站台识别结果;根据站间距匹配结果和站台识别结果,确定列车的准确停车站台;根据列车从准确停车站台出发的行驶里程,确定列车的定位信息。
又一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的以执行轨道交通车辆定位方法,该方法包括:获取列车的实时车速信息,根据实时车速信息计算列车的行驶里程和列车每次的停车间距;利用停车间距进行站间距匹配,获取站间距匹配结果;获取列车在每次停车时的站台图像,基于神经网络识别技术,对站台图像进行识别,获取站台识别结果;根据站间距匹配结果和站台识别结果,确定列车的准确停车站台;根据列车从准确停车站台出发的行驶里程,确定列车的定位信息。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是: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 (10)
1.一种轨道交通车辆定位方法,其特征在于,包括:
获取列车的实时车速信息,根据所述实时车速信息计算列车的行驶里程和列车每次的停车间距;
利用所述停车间距进行站间距匹配,获取站间距匹配结果;
获取列车在每次停车时的站台图像,基于神经网络识别技术,对所述站台图像进行识别,获取站台识别结果;
根据所述站间距匹配结果和所述站台识别结果,确定列车的准确停车站台;
根据列车从所述准确停车站台出发的行驶里程,确定列车的定位信息。
2.根据权利要求1所述的轨道交通车辆定位方法,其特征在于,所述根据所述实时车速信息计算列车的行驶里程和列车每次的停车间距,包括:
分别获取列车每次由启动到停止这一时间段内的实时车速信息;
分别对每个时间段内的实时车速信息进行积分,获取列车每次的停车间距;
将所述列车每次的停车间距进行累加获取所述列车的行驶里程。
3.根据权利要求1所述的轨道交通车辆定位方法,其特征在于,所述利用所述停车间距进行站间距匹配,获取站间距匹配结果,包括:
将列车每次的停车间距依次与列车行驶线路上的站间距列表进行匹配;
若存在连续K1个停车间距与连续K1个站间距相匹配,则将所述站间距匹配结果设置为成功;
若不存在连续K1个停车间距与连续K1个站间距相匹配,则将所述站间距匹配结果设置为失败;
K1为停车区间的数量,K1≥2。
4.根据权利要求3所述的轨道交通车辆定位方法,其特征在于,在利用所述停车间距进行站间距匹配之前,还包括:
选择列车行驶线路中的最长线路,并根据所述最长线路上的站间距生成第一站间距列表;
将列车行驶线路中未被所述最长线路覆盖的线路分别向前和向后延长两个站间距,生成第二站间距列表;
在所述第二站间距列表中,合并首尾有重叠的站间距,生成第三站间距列表;
由所述第一站间距列表和所述第三站间距列表,组建所述总站间距列表;
所述将列车每次的停车间距依次与列车行驶线路上的站间距进行匹配,具体是将列车每次的停车间距依次与所述总站间距列表进行匹配。
5.根据权利要求1所述的轨道交通车辆定位方法,其特征在于,所述基于神经网络识别技术,对所述站台图像进行识别,获取站台识别结果,包括:
在列车每次进站后,获取所在站台的站台图像,并将所有站台图像按照采集顺序依次排列构建站台图像集;
依次将每幅站台图像作为站台识别网络模型的输入,获取由所述站台识别网络模型输出的与输入的站台图像相对应的目标识别结果,组建目标识别结果集;
若所述目标识别结果集中存在连续K2个目标识别结果大于预设阈值时,则将所述站台识别结果设置为成功;
若所述目标识别结果集中不存在连续K2个目标识别结果大于预设阈值时,则将所述站台识别结果设置为失败;
K2为目标识别结果的数量,K2≥2。
6.根据权利要求5所述的轨道交通车辆定位方法,其特征在于,在依次将每幅站台图像作为站台识别网络模型的输入,获取由所述站台识别网络模型输出的与输入的站台图像相对应的目标识别结果之前,还包括:
采集不同天气条件、不同光线条件下的各站台图像作为训练样本,并以每个所述训练样本所对应的识别结果作为标签,组建训练样本集;
利用所述训练样本集对站台识别网络模型进行迭代训练。
7.根据权利要求1所述的轨道交通车辆定位方法,其特征在于,所述根据所述站间距匹配结果和所述站台识别结果,确定列车的准确停车站台,包括:
若所述站台识别结果为成功,则直接根据所述站台识别结果确定列车的准确停车站台;
若所述站台识别结果为失败,且所述站间距匹配结果为成功,则根据所述站间距匹配结果确定列车的准确停车站台;
若所述站台识别结果为失败,且所述站间距匹配结果为失败,则当前站识别失败,继续进行站间距匹配结果和站台识别结果的收集,直至获取到所述列车的准确停车站台。
8.根据权利要求1所述的轨道交通车辆定位方法,其特征在于,所述根据列车从所述准确停车站台出发的行驶里程,确定列车的定位信息,包括:
在获取列车的所述准确停车站台后,确定列车的当前定位;
以所述当前定位作为起点,以列车的行驶里程作为移动距离,在列车的行驶路线上确定所述列车的定位信息。
9.一种轨道交通车辆定位***,其特征在于,包括:
车速运算单元,用于获取列车的实时车速信息,根据所述实时车速信息计算列车的行驶里程和列车每次的停车间距;
站间距匹配单元,用于利用所述停车间距进行站间距匹配,获取站间距匹配结果;
站台识别单元,用于获取列车在每次停车时的站台图像,基于神经网络识别技术,对所述站台图像进行识别,获取站台识别结果;
站台定位单元,用于根据所述站间距匹配结果和所述站台识别结果,确定列车的准确停车站台;
列车定位单元,用于根据列车从所述准确停车站台出发的行驶里程,确定列车的定位信息。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任一项所述的轨道交通车辆障碍物检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010680791.2A CN111914691B (zh) | 2020-07-15 | 2020-07-15 | 一种轨道交通车辆定位方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010680791.2A CN111914691B (zh) | 2020-07-15 | 2020-07-15 | 一种轨道交通车辆定位方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914691A true CN111914691A (zh) | 2020-11-10 |
CN111914691B CN111914691B (zh) | 2024-03-19 |
Family
ID=73281019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010680791.2A Active CN111914691B (zh) | 2020-07-15 | 2020-07-15 | 一种轨道交通车辆定位方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914691B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115140124A (zh) * | 2021-03-31 | 2022-10-04 | 西门子交通有限公司 | 在车辆起动后在路网中定位轨道导引的车辆的方法和装置 |
CN115447639A (zh) * | 2022-09-22 | 2022-12-09 | 中车成都机车车辆有限公司 | 一种停车精度测试方法、装置、设备及可读存储介质 |
CN115527199A (zh) * | 2022-10-31 | 2022-12-27 | 通号万全信号设备有限公司 | 轨道交通列车定位方法、装置、介质和电子设备 |
CN116985872A (zh) * | 2023-09-25 | 2023-11-03 | 今创集团股份有限公司 | 高铁停靠位置检测方法、站台屏蔽门控制方法及*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5987378A (en) * | 1996-10-24 | 1999-11-16 | Trimble Navigation Limited | Vehicle tracker mileage-time monitor and calibrator |
CN102495963A (zh) * | 2011-12-06 | 2012-06-13 | 苏州大学 | 一种列车运行仿真快速计算方法及*** |
CN102717817A (zh) * | 2012-06-27 | 2012-10-10 | 李志恒 | 高速铁路站台信息发布***及方法 |
CN103295413A (zh) * | 2013-05-30 | 2013-09-11 | 天脉聚源(北京)传媒科技有限公司 | 一种公交车辆信息显示***及方法 |
CN105882684A (zh) * | 2016-05-18 | 2016-08-24 | 唐智科技湖南发展有限公司 | 一种城市轨道交通公里标定标方法 |
CN106710218A (zh) * | 2017-03-09 | 2017-05-24 | 北京公共交通控股(集团)有限公司 | 一种公交车到站时间预测方法 |
JP2018179572A (ja) * | 2017-04-05 | 2018-11-15 | 日鉄住金レールウェイテクノス株式会社 | 鉄道車両の走行経路特定方法 |
EP3456606A1 (en) * | 2017-09-15 | 2019-03-20 | Aktiebolaget SKF | Position determination method and system |
CN110196065A (zh) * | 2019-06-04 | 2019-09-03 | 北京磁浮交通发展有限公司 | 一种磁悬浮列车的速度测算和里程计算方法及*** |
US20190339084A1 (en) * | 2016-11-29 | 2019-11-07 | Mitsubishi Heavy Industries Machinery Systems, Ltd. | Map matching device, map matching system, map matching method and program |
WO2020020298A1 (zh) * | 2018-07-26 | 2020-01-30 | 比亚迪股份有限公司 | 车辆无人驾驶控制方法及装置 |
WO2020083103A1 (zh) * | 2018-10-24 | 2020-04-30 | 中车株洲电力机车研究所有限公司 | 一种基于深度神经网络图像识别的车辆定位方法 |
-
2020
- 2020-07-15 CN CN202010680791.2A patent/CN111914691B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5987378A (en) * | 1996-10-24 | 1999-11-16 | Trimble Navigation Limited | Vehicle tracker mileage-time monitor and calibrator |
CN102495963A (zh) * | 2011-12-06 | 2012-06-13 | 苏州大学 | 一种列车运行仿真快速计算方法及*** |
CN102717817A (zh) * | 2012-06-27 | 2012-10-10 | 李志恒 | 高速铁路站台信息发布***及方法 |
CN103295413A (zh) * | 2013-05-30 | 2013-09-11 | 天脉聚源(北京)传媒科技有限公司 | 一种公交车辆信息显示***及方法 |
CN105882684A (zh) * | 2016-05-18 | 2016-08-24 | 唐智科技湖南发展有限公司 | 一种城市轨道交通公里标定标方法 |
US20190339084A1 (en) * | 2016-11-29 | 2019-11-07 | Mitsubishi Heavy Industries Machinery Systems, Ltd. | Map matching device, map matching system, map matching method and program |
CN106710218A (zh) * | 2017-03-09 | 2017-05-24 | 北京公共交通控股(集团)有限公司 | 一种公交车到站时间预测方法 |
JP2018179572A (ja) * | 2017-04-05 | 2018-11-15 | 日鉄住金レールウェイテクノス株式会社 | 鉄道車両の走行経路特定方法 |
EP3456606A1 (en) * | 2017-09-15 | 2019-03-20 | Aktiebolaget SKF | Position determination method and system |
WO2020020298A1 (zh) * | 2018-07-26 | 2020-01-30 | 比亚迪股份有限公司 | 车辆无人驾驶控制方法及装置 |
WO2020083103A1 (zh) * | 2018-10-24 | 2020-04-30 | 中车株洲电力机车研究所有限公司 | 一种基于深度神经网络图像识别的车辆定位方法 |
CN110196065A (zh) * | 2019-06-04 | 2019-09-03 | 北京磁浮交通发展有限公司 | 一种磁悬浮列车的速度测算和里程计算方法及*** |
Non-Patent Citations (5)
Title |
---|
QIANG WANG等: "Dilution of Precision in Three Dimensional Angle-of-Arrival Positioning Systems", JOURNAL OF ELECTRICAL ENGINEERING & TECHNOLOGY, vol. 14, pages 2583 * |
YU-LING HSUEH等: "Map matching for low-sampling-rate GPS trajectories by exploring real-time moving directions", INFORMATION SCIENCES, vol. 433, pages 55 - 69 * |
李佳怡: "应用智能公交和路网数据的城市公交站点出行计算模型与评价", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, no. 2018, pages 034 - 463 * |
王剑 等: "基于道岔曲线信息的列车定位方法研究", 交通运输***工程与信息, vol. 10, no. 02, pages 64 - 69 * |
钱琳 等: "铁路货车运行里程统计***设计与应用", 中国智能交通协会.第十四届中国智能交通年会论文集, pages 655 - 663 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115140124A (zh) * | 2021-03-31 | 2022-10-04 | 西门子交通有限公司 | 在车辆起动后在路网中定位轨道导引的车辆的方法和装置 |
CN115140124B (zh) * | 2021-03-31 | 2023-11-24 | 西门子交通有限公司 | 在车辆起动后在路网中定位轨道导引的车辆的方法和装置 |
CN115447639A (zh) * | 2022-09-22 | 2022-12-09 | 中车成都机车车辆有限公司 | 一种停车精度测试方法、装置、设备及可读存储介质 |
CN115447639B (zh) * | 2022-09-22 | 2024-01-02 | 中车成都机车车辆有限公司 | 一种停车精度测试方法、装置、设备及可读存储介质 |
CN115527199A (zh) * | 2022-10-31 | 2022-12-27 | 通号万全信号设备有限公司 | 轨道交通列车定位方法、装置、介质和电子设备 |
CN116985872A (zh) * | 2023-09-25 | 2023-11-03 | 今创集团股份有限公司 | 高铁停靠位置检测方法、站台屏蔽门控制方法及*** |
CN116985872B (zh) * | 2023-09-25 | 2024-03-26 | 今创集团股份有限公司 | 高铁停靠位置检测方法、站台屏蔽门控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111914691B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109484435B (zh) | 一种适用于轨道交通智能检测***的列车定位方法和装置 | |
CN111914691B (zh) | 一种轨道交通车辆定位方法及*** | |
US11693409B2 (en) | Systems and methods for a scenario tagger for autonomous vehicles | |
CN103786729B (zh) | 车道识别方法和*** | |
CN113511204B (zh) | 一种车辆换道行为识别方法及相关设备 | |
US11922704B2 (en) | System and method for detecting road and lane connections at intersections | |
CN114274972A (zh) | 自主驾驶环境中的场景识别 | |
CN113808414B (zh) | 道路荷载确定方法、装置及存储介质 | |
CN112633812B (zh) | 货运车辆的轨迹分段方法、装置、设备及存储介质 | |
CN114968187A (zh) | 用于自动驾驶***的感知***开发的平台 | |
CN114694115A (zh) | 一种道路障碍物检测方法、装置、设备及存储介质 | |
CN114563007B (zh) | 障碍物的运动状态预测方法、装置、电子设备及存储介质 | |
US11983918B2 (en) | Platform for perception system development for automated driving system | |
CN116416588A (zh) | 车道线预测方法、装置、电子设备及存储介质 | |
US20230236020A1 (en) | System and Method for Map Matching GNSS Positions of a Vehicle | |
EP4053737A1 (en) | Detecting and collecting accident related driving experience event data | |
CN112685517B (zh) | 分歧/合流区域的识别方法和设备 | |
CN113469045A (zh) | 无人集卡的视觉定位方法、***、电子设备和存储介质 | |
CN113963550A (zh) | 一种多义路径识别方法、装置及电子设备 | |
CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 | |
CN117612127B (zh) | 场景生成方法、装置和存储介质及电子设备 | |
CN116542528B (zh) | 一种通行需求满足度分析方法及装置 | |
CN117275274B (zh) | 一种常规公交出行信息识别方法、设备和介质 | |
CN116361659A (zh) | 停留点识别模型的训练方法和停留点识别方法 | |
CN115077512A (zh) | 地图轨迹验证方法、设备、移动装置和存储介质 |
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 |