CN112240772A - 一种车道线生成方法及装置 - Google Patents
一种车道线生成方法及装置 Download PDFInfo
- Publication number
- CN112240772A CN112240772A CN202011485112.2A CN202011485112A CN112240772A CN 112240772 A CN112240772 A CN 112240772A CN 202011485112 A CN202011485112 A CN 202011485112A CN 112240772 A CN112240772 A CN 112240772A
- Authority
- CN
- China
- Prior art keywords
- lane
- lane line
- point
- target vehicle
- points
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种车道线生成方法及装置,该方法包括:获取目标车辆按照预设路线行驶中每一帧的激光点云;根据每一帧的激光点云,通过随机一致性采样算法提取预设路线的地面点云;根据地面点云中各点的反射强度,筛选出反射强度超过预设强度阈值的点确认为车道线点云;通过随机一致性采样算法,从车道线点云中提取与目标车辆的行驶方向所成角度在预设角度阈值内的待选直线,并将目标车辆位置点到各个待选直线的垂足确认为待选车道线点;计算每个待选车道线点到预设路线的距离值,将所有帧中距离值相同的待选车道线点的集合确认为目标车道线点集;根据目标车道线点集,生成车道线,并根据各车道线之间的距离生成车道信息。
Description
技术领域
本申请涉及无人驾驶领域,具体而言,涉及一种车道线生成方法及装置。
背景技术
目前,无人驾驶汽车作为人工智能发展中的一种产物,备受人工智能开发人员的关注。而无人驾驶汽车上搭载的无人驾驶仿真***需要使用高精度的电子地图作为仿真驾驶的重要基础数据。
现有技术中的高精度地图都是通过导入采集的激光雷达点云数据,再依靠人工标注车道线和车道的方式得到的。由于依靠专业人员的手工标注,所得到的高精度地图存在一定的误差,对于无人驾驶汽车的行驶存在一定的安全隐患,并且通过该种方法获得高精度地图的效率不佳。
发明内容
有鉴于此,本申请的目的在于提供一种车道线生成方法,用于解决现有技术中高精度地图生成效率低的问题。
第一方面,本申请实施例提供了一种车道线生成方法,该方法包括:
获取目标车辆按照预设路线行驶中每一帧的激光点云;
根据所述每一帧的激光点云,通过随机一致性采样算法提取所述预设路线的地面点云;
根据所述地面点云中各点的反射强度,筛选出反射强度超过预设强度阈值的点确认为车道线点云;
通过随机一致性采样算法,从所述车道线点云中提取与所述目标车辆的行驶方向所成角度在预设角度阈值内的待选直线,并将所述目标车辆位置点到各个所述待选直线的垂足确认为待选车道线点;
计算每个所述待选车道线点到所述预设路线的距离值,将所有帧中所述距离值相同的待选车道线点的集合确认为目标车道线点集;
根据所述目标车道线点集,生成车道线,并根据各车道线之间的距离生成车道信息。
在一些实施例中,在获取目标车辆按照预设路线行驶中每一帧的激光点云之后,还包括:
获取所述每一帧的激光点云中的路沿曲线;
针对所述每一帧的路沿曲线,计算所述目标车辆的行驶方向与所述路沿曲线所成角度,以及所述目标车辆位置点到路沿曲线的距离,得到角度区间和距离区间;
所述将所述目标车辆位置点到各个所述待选直线的垂足确认为待选车道线点,包括:
根据所述角度区间和距离区间,对所述待选直线进行筛选,得到筛选后的待选直线;
将所述目标车辆位置点到各个所述筛选后的待选直线的垂足确认为待选车道线点。
在一些实施例中,所述计算每个所述待选车道线点到所述预设路线的距离值,将所有帧中所述距离值相同的待选车道线点的集合确认为目标车道线点集,包括:
计算每个所述待选车道线点到所述预设路线的距离值,根据所述距离值进行筛选,得到所述距离值相同的待选车道线点的集合;
将所述待选车道线点的集合中待选车道线点数超过预设数量的集合确认为目标车道线点集。
在一些实施例中,在所述获取目标车辆按照预设路线行驶中每一帧的激光点云之前,还包括:
以目标车辆的起始位置为坐标原点,通过地图制图员工具生成全局位姿图;
在所述根据所述目标车道线点集,生成车道线,并根据各车道线之间的距离生成车道信息之后,还包括:
根据所述全局位姿图,将所述车道线与所述车道信息中的局部坐标信息转换为全局坐标信息。
在一些实施例中,在所述根据所述目标车道线点集,生成车道线,并根据各车道线之间的距离生成车道信息之后,还包括:
对所述车道线进行平滑处理,得到处理后的车道线;
根据所述处理后的车道线和所述车道信息,生成目标格式的地图数据。
第二方面,本申请实施例提供了一种车道线生成装置,包括:
获取模块,用于获取目标车辆按照预设路线行驶中每一帧的激光点云;
地面点云模块,用于根据所述每一帧的激光点云,通过随机一致性采样算法提取所述预设路线的地面点云;
车道线点云模块,用于根据所述地面点云中各点的反射强度,筛选出反射强度超过预设强度阈值的点确认为车道线点云;
计算模块,用于通过随机一致性采样算法,从所述车道线点云中提取与所述目标车辆的行驶方向所成角度在预设角度阈值内的待选直线,并将所述目标车辆位置点到各个所述待选直线的垂足确认为待选车道线点;
确认模块,用于计算每个所述待选车道线点到所述预设路线的距离值,将所有帧中所述距离值相同的待选车道线点的集合确认为目标车道线点集;
生成模块,用于根据所述目标车道线点集,生成车道线,并根据各车道线之间的距离生成车道信息。
在一些实施例中,还包括:
路沿模块,用于获取所述每一帧的激光点云中的路沿曲线;
区间模块,用于针对所述每一帧的路沿曲线,计算所述目标车辆的行驶方向与所述路沿曲线所成角度,以及所述目标车辆位置点到路沿曲线的距离,得到角度区间和距离区间;
所述计算模块,包括:
筛选单元,用于根据所述角度区间和距离区间,对所述待选直线进行筛选,得到筛选后的待选直线;
确认单元,用于将所述目标车辆位置点到各个所述筛选后的待选直线的垂足确认为待选车道线点。
在一些实施例中,还包括:
位姿图模块,用于以目标车辆的起始位置为坐标原点,通过地图制图员工具生成全局位姿图;
坐标转换模块,用于根据所述全局位姿图,将所述车道线与所述车道信息中的局部坐标信息转换为全局坐标信息。
第三方面,本申请实施例提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述第一方面中任一项所述的方法的步骤。
本申请实施例提出的一种车道线生成方法,通过基于目标车辆按照预设路线行驶采集到的激光点云,经过随机一致性采样和基于反射强度的筛选,得到车道线点云,然后再一次使用随机一致性采样从车道线点云中提取与目标车辆的行驶方向基本一致的待选直线,以目标车辆位置点到待选直线的垂足作为待选车道线点,接着根据待选车道线点到预设路线的距离值对待选车道线点进行筛选,将所有帧中到预设路线的距离值相同的待选车道线点的集合确认为目标车道线点集,最后根据目标车道线点集生成车道线,进一步生成车道信息。本申请实施例所提出的一种车道线生成方法,提升了高精度地图的绘制精度,并且提高了高精度地图中车道线的生成效率。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种车道线生成方法的流程示意图;
图2为本申请实施例提供的一种数值区间计算方法的流程示意图;
图3为本申请实施例提供的一种车道线生成装置的结构示意图;
图4为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供了一种车道线生成方法,如图1所示,包括以下步骤:
步骤S101、获取目标车辆按照预设路线行驶中每一帧的激光点云;
步骤S102、根据上述每一帧的激光点云,通过随机一致性采样算法提取上述预设路线的地面点云;
步骤S103、根据上述地面点云中各点的反射强度,筛选出反射强度超过预设强度阈值的点确认为车道线点云;
步骤S104、通过随机一致性采样算法,从上述车道线点云中提取与上述目标车辆的行驶方向所成角度在预设角度阈值内的待选直线,并将上述目标车辆位置点到各个上述待选直线的垂足确认为待选车道线点;
步骤S105、计算每个上述待选车道线点到上述预设路线的距离值,将所有帧中上述距离值相同的待选车道线点的集合确认为目标车道线点集;
步骤S106、根据上述目标车道线点集,生成车道线,并根据各车道线之间的距离生成车道信息。
具体地,控制目标车辆(无人驾驶车辆)按照预设路线进行行驶,并同时进行激光点云的扫描,得到目标车辆在该预设路线中行驶的行驶图像中每一帧图像的激光点云。
对于每一帧图像中的激光点云通过RANSAC(RandomSample Consensus,随机一致性采样)算法进行处理,以从激光点云中提取出道路的地面点云。而在地面中由于车道线多是以白色和黄色为主的标注线,车道线以外的地面多是深色的路面,因此车道线所在的点的反射强度都较高,根据测试得到车道线的反射强度的范围值,将最低值设为预设强度阈值,根据该预设强度阈值从地面点云中提取出车道线点云。
针对车道线点云,再次通过RANSAC算法进行处理,以从车道线点云中提取出和目标车辆行驶方向基本一致的直线,该基本一致是指直线与目标车辆行驶方向所成的角度不能超过预设角度阈值,该预设角度阈值设置为30°、20°、15°等。将提取出的上述直线确认为待选直线,而目标车辆位置点到待选直线的垂线的垂足就是待选车道线点。
因为车道线与预设路线基本是平行的,因此同一条车道线上的点到预设路线的距离应该是相同或相近的,因此根据所有帧中待选车道线点到预设路线的距离进行筛选,将距离值相同或相近的待选车道线点作为一个集合,确认为目标车道线点集。
根据每个目标车道线点集中的车道线点就可绘制出车道线,根据各车道线之间的距离就可得到该路线的车道信息。
本申请实施例所提出的车道线生成方法,与普遍的通过SLAM(SimultaneousLocalizationandmapping,同步定位与建图)方式合成点云数据,再通过地图编辑软件进行人工标注车道线和车道的方法相比,本申请实施例所提出的一种车道线生成方法,提升了高精度地图的绘制精度,并且提高了高精度地图中车道线的生成效率。
在一些实施例中,在步骤S101之后,如图2所示,还包括:
步骤S201、获取上述每一帧的激光点云中的路沿曲线;
步骤S202、针对上述每一帧的路沿曲线,计算上述目标车辆的行驶方向与上述路沿曲线所成角度,以及上述目标车辆位置点到路沿曲线的距离,得到角度区间和距离区间;
上述步骤S104,包括:
步骤1041、根据上述角度区间和距离区间,对上述待选直线进行筛选,得到筛选后的待选直线;
步骤1042、将上述目标车辆位置点到各个上述筛选后的待选直线的垂足确认为待选车道线点。
具体地,为了提升待选车道线点的质量,减少非车道线点对于车道线绘制的干扰,在待选车道线点的确认环节本申请实施例提供了额外的筛选手段。
由于道路两旁路沿的高度要高于车道的高度,并且路沿与车道线是平行的,因此,通过获取每一帧的激光点云中的路沿曲线,一方面,计算出每一帧中目标车辆的行驶方向和路沿曲线所成夹角的角度,就可得到目标车辆在预设路线中行驶方向与路沿曲线所成夹角的角度区间,车道线在预设路线中与目标车辆的行驶方向的所成夹角的角度应在该角度区间内;另一方面,计算出每一帧中目标车辆位置点与路沿曲线的距离,就可得到目标车辆在预设路线中位置点与路沿曲线的最大距离,车道线与目标车辆位置点的距离一定小于该最大距离,因此,距离区间就是0到该最大距离。
那么,待选直线应该满足上述角度区间和距离区间两个条件,该待选直线上目标车辆位置点的垂足才能作为待选车道线点。通过上述方法对待选直线进行了筛选,使得到的待选车道线点的质量得以提升,从而进一步提高高质量地图中车道线的绘制精度。
在一些实施例中,上述步骤S105,包括:
步骤1051、计算每个上述待选车道线点到上述预设路线的距离值,根据上述距离值进行筛选,得到上述距离值相同的待选车道线点的集合;
步骤1052、将上述待选车道线点的集合中待选车道线点数超过预设数量的集合确认为目标车道线点集。
具体地,由于路面可能存在某些干扰物,例如,垃圾、油漆等,这些干扰物也可能被识别成车道线,为了避免将干扰物也作为车道线绘制在高精度地图上,对于根据到预设路线的距离值筛选出的待选车道线点的集合,需要将待选车道线点较少的集合排除。设置预设数量,只选取包含待选车道线点超过该预设数量的集合确认为目标车道线点集。
在一些实施例中,在上述步骤S101之前,还包括:
步骤107、以目标车辆的起始位置为坐标原点,通过地图制图员工具生成全局位姿图;
在上述步骤S106之后,还包括:
步骤108、根据上述全局位姿图,将上述车道线与上述车道信息中的局部坐标信息转换为全局坐标信息。
具体地,由于在基于激光点云进行车道线的生成的过程中是针对每一帧分别进行数据处理再整合到一起的,因此,所得到的车道线中每个车道线点的坐标信息都是该车道线点所在帧中以目标车辆当前位置点作为坐标原点的坐标轴中的坐标,也就是局部坐标。为了绘制出的车道线和车道信息便于使用,需要将局部坐标转换成全局坐标。
因此,通过Cartographer(地图制图员)工具,以目标车辆的起始位置作为坐标原点生成全局位姿图。
然后在得到了车道线和车道信息后,根据该全局位姿图,将局部坐标转换为全局坐标。
在一些实施例中,在上述步骤S106之后,还包括:
步骤1091、对上述车道线进行平滑处理,得到处理后的车道线;
步骤1092、根据上述处理后的车道线和上述车道信息,生成目标格式的地图数据。
具体地,由于车道线点组成的车道线可能存在多点或少点导致的周边不平,绘制在地图中会与整体不协调,因此可以对生成的车道线进行平滑处理。
得到的车道线和车道信息以JSON(JavaScript Object Notation, JS 对象简谱)格式的数据文件导出,JSON格式的数据文件可以方便与地图编辑软件的导入。根据需要也可以以其他格式进行数据导出,本申请对此不予限制。
本申请实施例还提供了一种车道线生成装置,如图3所示,该装置包括:
获取模块30,用于获取目标车辆按照预设路线行驶中每一帧的激光点云;
地面点云模块31,用于根据上述每一帧的激光点云,通过随机一致性采样算法提取上述预设路线的地面点云;
车道线点云模块32,用于根据上述地面点云中各点的反射强度,筛选出反射强度超过预设强度阈值的点确认为车道线点云;
计算模块33,用于通过随机一致性采样算法,从上述车道线点云中提取与上述目标车辆的行驶方向所成角度在预设角度阈值内的待选直线,并将上述目标车辆位置点到各个上述待选直线的垂足确认为待选车道线点;
确认模块34,用于计算每个上述待选车道线点到上述预设路线的距离值,将所有帧中上述距离值相同的待选车道线点的集合确认为目标车道线点集;
生成模块35,用于根据上述目标车道线点集,生成车道线,并根据各车道线之间的距离生成车道信息。
在一些实施例中,还包括:
路沿模块36,用于获取上述每一帧的激光点云中的路沿曲线;
区间模块37,用于针对上述每一帧的路沿曲线,计算上述目标车辆的行驶方向与上述路沿曲线所成角度,以及上述目标车辆位置点到路沿曲线的距离,得到角度区间和距离区间;
上述计算模块33,包括:
筛选单元331,用于根据上述角度区间和距离区间,对上述待选直线进行筛选,得到筛选后的待选直线;
确认单元332,用于将上述目标车辆位置点到各个上述筛选后的待选直线的垂足确认为待选车道线点。
在一些实施例中,还包括:
位姿图模块38,用于以目标车辆的起始位置为坐标原点,通过地图制图员工具生成全局位姿图;
坐标转换模块39,用于根据上述全局位姿图,将上述车道线与上述车道信息中的局部坐标信息转换为全局坐标信息。
对应于图1中的一种车道线生成方法,本申请实施例还提供了一种计算机设备400,如图4所示,该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序,其中,上述处理器402执行上述计算机程序时实现上述一种车道线生成方法。
具体地,上述存储器401和处理器402能够为通用的存储器和处理器,这里不做具体限定,当处理器402运行存储器401存储的计算机程序时,能够执行上述一种车道线生成方法,解决了现有技术中高精度地图生成效率低的问题。
对应于图1中的一种车道线生成方法,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述一种车道线生成方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述一种车道线生成方法,解决了现有技术中高精度地图生成效率低的问题,本申请实施例提出的一种车道线生成方法,通过基于目标车辆按照预设路线行驶采集到的激光点云,经过随机一致性采样和基于反射强度的筛选,得到车道线点云,然后再一次使用随机一致性采样从车道线点云中提取与目标车辆的行驶方向基本一致的待选直线,以目标车辆位置点到待选直线的垂足作为待选车道线点,接着根据待选车道线点到预设路线的距离值对待选车道线点进行筛选,将所有帧中到预设路线的距离值相同的待选车道线点的集合确认为目标车道线点集,最后根据目标车道线点集生成车道线,进一步生成车道信息。本申请实施例所提出的一种车道线生成方法,提升了高精度地图的绘制精度,并且提高了高精度地图中车道线的生成效率。
在本申请所提供的实施例中,应该理解到,所揭露方法和装置,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以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,本申请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)执行本申请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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种车道线生成方法,其特征在于,包括:
获取目标车辆按照预设路线行驶中每一帧的激光点云;
根据所述每一帧的激光点云,通过随机一致性采样算法提取所述预设路线的地面点云;
根据所述地面点云中各点的反射强度,筛选出反射强度超过预设强度阈值的点确认为车道线点云;
通过随机一致性采样算法,从所述车道线点云中提取与所述目标车辆的行驶方向所成角度在预设角度阈值内的待选直线,并将所述目标车辆位置点到各个所述待选直线的垂足确认为待选车道线点;
计算每个所述待选车道线点到所述预设路线的距离值,将所有帧中所述距离值相同的待选车道线点的集合确认为目标车道线点集;
根据所述目标车道线点集,生成车道线,并根据各车道线之间的距离生成车道信息。
2.如权利要求1所述的方法,其特征在于,在获取目标车辆按照预设路线行驶中每一帧的激光点云之后,还包括:
获取所述每一帧的激光点云中的路沿曲线;
针对所述每一帧的路沿曲线,计算所述目标车辆的行驶方向与所述路沿曲线所成角度,以及所述目标车辆位置点到路沿曲线的距离,得到角度区间和距离区间;
所述将所述目标车辆位置点到各个所述待选直线的垂足确认为待选车道线点,包括:
根据所述角度区间和距离区间,对所述待选直线进行筛选,得到筛选后的待选直线;
将所述目标车辆位置点到各个所述筛选后的待选直线的垂足确认为待选车道线点。
3.如权利要求1所述的方法,其特征在于,所述计算每个所述待选车道线点到所述预设路线的距离值,将所有帧中所述距离值相同的待选车道线点的集合确认为目标车道线点集,包括:
计算每个所述待选车道线点到所述预设路线的距离值,根据所述距离值进行筛选,得到所述距离值相同的待选车道线点的集合;
将所述待选车道线点的集合中待选车道线点数超过预设数量的集合确认为目标车道线点集。
4.如权利要求1所述的方法,其特征在于,在所述获取目标车辆按照预设路线行驶中每一帧的激光点云之前,还包括:
以目标车辆的起始位置为坐标原点,通过地图制图员工具生成全局位姿图;
在所述根据所述目标车道线点集,生成车道线,并根据各车道线之间的距离生成车道信息之后,还包括:
根据所述全局位姿图,将所述车道线与所述车道信息中的局部坐标信息转换为全局坐标信息。
5.如权利要求1所述的方法,其特征在于,在所述根据所述目标车道线点集,生成车道线,并根据各车道线之间的距离生成车道信息之后,还包括:
对所述车道线进行平滑处理,得到处理后的车道线;
根据所述处理后的车道线和所述车道信息,生成目标格式的地图数据。
6.一种车道线生成装置,其特征在于,包括:
获取模块,用于获取目标车辆按照预设路线行驶中每一帧的激光点云;
地面点云模块,用于根据所述每一帧的激光点云,通过随机一致性采样算法提取所述预设路线的地面点云;
车道线点云模块,用于根据所述地面点云中各点的反射强度,筛选出反射强度超过预设强度阈值的点确认为车道线点云;
计算模块,用于通过随机一致性采样算法,从所述车道线点云中提取与所述目标车辆的行驶方向所成角度在预设角度阈值内的待选直线,并将所述目标车辆位置点到各个所述待选直线的垂足确认为待选车道线点;
确认模块,用于计算每个所述待选车道线点到所述预设路线的距离值,将所有帧中所述距离值相同的待选车道线点的集合确认为目标车道线点集;
生成模块,用于根据所述目标车道线点集,生成车道线,并根据各车道线之间的距离生成车道信息。
7.如权利要求6所述的装置,其特征在于,还包括:
路沿模块,用于获取所述每一帧的激光点云中的路沿曲线;
区间模块,用于针对所述每一帧的路沿曲线,计算所述目标车辆的行驶方向与所述路沿曲线所成角度,以及所述目标车辆位置点到路沿曲线的距离,得到角度区间和距离区间;
所述计算模块,包括:
筛选单元,用于根据所述角度区间和距离区间,对所述待选直线进行筛选,得到筛选后的待选直线;
确认单元,用于将所述目标车辆位置点到各个所述筛选后的待选直线的垂足确认为待选车道线点。
8.如权利要求6所述的装置,其特征在于,还包括:
位姿图模块,用于以目标车辆的起始位置为坐标原点,通过地图制图员工具生成全局位姿图;
坐标转换模块,用于根据所述全局位姿图,将所述车道线与所述车道信息中的局部坐标信息转换为全局坐标信息。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现上述权利要求1-5中任一项所述的方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1-5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011485112.2A CN112240772B (zh) | 2020-12-16 | 2020-12-16 | 一种车道线生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011485112.2A CN112240772B (zh) | 2020-12-16 | 2020-12-16 | 一种车道线生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112240772A true CN112240772A (zh) | 2021-01-19 |
CN112240772B CN112240772B (zh) | 2021-09-28 |
Family
ID=74175272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011485112.2A Active CN112240772B (zh) | 2020-12-16 | 2020-12-16 | 一种车道线生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112240772B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989946A (zh) * | 2021-02-10 | 2021-06-18 | 福瑞泰克智能***有限公司 | 一种车道线的确定方法、装置、设备及车辆 |
CN113160355A (zh) * | 2021-04-15 | 2021-07-23 | 的卢技术有限公司 | 园区车道线生成方法、***及计算机可读存储介质 |
CN113221241A (zh) * | 2021-04-30 | 2021-08-06 | 北京京东乾石科技有限公司 | 无人车的数据处理方法及相关设备 |
CN113607185A (zh) * | 2021-10-08 | 2021-11-05 | 禾多科技(北京)有限公司 | 车道线信息显示方法、装置、电子设备和计算机可读介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528588A (zh) * | 2015-12-31 | 2016-04-27 | 百度在线网络技术(北京)有限公司 | 一种车道线识别方法及装置 |
CN105551016A (zh) * | 2015-12-02 | 2016-05-04 | 百度在线网络技术(北京)有限公司 | 一种基于激光点云的路沿识别方法及装置 |
CN106570446A (zh) * | 2015-10-12 | 2017-04-19 | 腾讯科技(深圳)有限公司 | 车道线提取的方法和装置 |
CN106842231A (zh) * | 2016-11-08 | 2017-06-13 | 长安大学 | 一种道路边界检测及跟踪方法 |
CN109858460A (zh) * | 2019-02-20 | 2019-06-07 | 重庆邮电大学 | 一种基于三维激光雷达的车道线检测方法 |
CN110060266A (zh) * | 2019-04-24 | 2019-07-26 | 百度在线网络技术(北京)有限公司 | 车道线提取方法及装置、服务器及计算机可读介质 |
EP3531068A1 (en) * | 2017-02-28 | 2019-08-28 | Riken | Point cloud data extraction method and point cloud data extraction device |
CN110781891A (zh) * | 2019-11-28 | 2020-02-11 | 吉林大学 | 一种基于激光雷达传感器的识别车辆可行驶区域的方法 |
US20200074189A1 (en) * | 2018-09-04 | 2020-03-05 | Baidu Online Network Technology (Beijing) Co., Ltd. | Lane line processing method and device |
CN111368605A (zh) * | 2018-12-26 | 2020-07-03 | 易图通科技(北京)有限公司 | 车道线提取方法及装置 |
US20200242373A1 (en) * | 2017-11-27 | 2020-07-30 | Tusimple, Inc. | System and method for large-scale lane marking detection using multimodal sensor data |
CN111832536A (zh) * | 2020-07-27 | 2020-10-27 | 北京经纬恒润科技有限公司 | 一种车道线检测方法及装置 |
CN111915662A (zh) * | 2019-05-07 | 2020-11-10 | 北京京东尚科信息技术有限公司 | 一种三维激光点云数据预处理方法和装置 |
-
2020
- 2020-12-16 CN CN202011485112.2A patent/CN112240772B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570446A (zh) * | 2015-10-12 | 2017-04-19 | 腾讯科技(深圳)有限公司 | 车道线提取的方法和装置 |
CN105551016A (zh) * | 2015-12-02 | 2016-05-04 | 百度在线网络技术(北京)有限公司 | 一种基于激光点云的路沿识别方法及装置 |
CN105528588A (zh) * | 2015-12-31 | 2016-04-27 | 百度在线网络技术(北京)有限公司 | 一种车道线识别方法及装置 |
CN106842231A (zh) * | 2016-11-08 | 2017-06-13 | 长安大学 | 一种道路边界检测及跟踪方法 |
EP3531068A1 (en) * | 2017-02-28 | 2019-08-28 | Riken | Point cloud data extraction method and point cloud data extraction device |
US20200242373A1 (en) * | 2017-11-27 | 2020-07-30 | Tusimple, Inc. | System and method for large-scale lane marking detection using multimodal sensor data |
US20200074189A1 (en) * | 2018-09-04 | 2020-03-05 | Baidu Online Network Technology (Beijing) Co., Ltd. | Lane line processing method and device |
CN111368605A (zh) * | 2018-12-26 | 2020-07-03 | 易图通科技(北京)有限公司 | 车道线提取方法及装置 |
CN109858460A (zh) * | 2019-02-20 | 2019-06-07 | 重庆邮电大学 | 一种基于三维激光雷达的车道线检测方法 |
CN110060266A (zh) * | 2019-04-24 | 2019-07-26 | 百度在线网络技术(北京)有限公司 | 车道线提取方法及装置、服务器及计算机可读介质 |
CN111915662A (zh) * | 2019-05-07 | 2020-11-10 | 北京京东尚科信息技术有限公司 | 一种三维激光点云数据预处理方法和装置 |
CN110781891A (zh) * | 2019-11-28 | 2020-02-11 | 吉林大学 | 一种基于激光雷达传感器的识别车辆可行驶区域的方法 |
CN111832536A (zh) * | 2020-07-27 | 2020-10-27 | 北京经纬恒润科技有限公司 | 一种车道线检测方法及装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989946A (zh) * | 2021-02-10 | 2021-06-18 | 福瑞泰克智能***有限公司 | 一种车道线的确定方法、装置、设备及车辆 |
CN112989946B (zh) * | 2021-02-10 | 2024-03-19 | 福瑞泰克智能***有限公司 | 一种车道线的确定方法、装置、设备及车辆 |
CN113160355A (zh) * | 2021-04-15 | 2021-07-23 | 的卢技术有限公司 | 园区车道线生成方法、***及计算机可读存储介质 |
CN113160355B (zh) * | 2021-04-15 | 2024-05-07 | 的卢技术有限公司 | 园区车道线生成方法、***及计算机可读存储介质 |
CN113221241A (zh) * | 2021-04-30 | 2021-08-06 | 北京京东乾石科技有限公司 | 无人车的数据处理方法及相关设备 |
CN113607185A (zh) * | 2021-10-08 | 2021-11-05 | 禾多科技(北京)有限公司 | 车道线信息显示方法、装置、电子设备和计算机可读介质 |
CN113607185B (zh) * | 2021-10-08 | 2022-01-04 | 禾多科技(北京)有限公司 | 车道线信息显示方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112240772B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112240772B (zh) | 一种车道线生成方法及装置 | |
CN109285220B (zh) | 一种三维场景地图的生成方法、装置、设备及存储介质 | |
CN109658504B (zh) | 地图数据标注方法、装置、设备及存储介质 | |
JP6862409B2 (ja) | 地図生成及び移動主体の位置決めの方法及び装置 | |
CN112257605B (zh) | 基于自标注训练样本的三维目标检测方法、***及装置 | |
CN112086010B (zh) | 地图生成方法、装置、设备及存储介质 | |
CN108053416B (zh) | 一种基于单幅卫星图像的最大储油量提取*** | |
CN110956100A (zh) | 一种高精度地图生成方法、装置、电子设备和存储介质 | |
CN110363054B (zh) | 道路标识线识别方法、装置和*** | |
Liu et al. | Road centerlines extraction from high resolution images based on an improved directional segmentation and road probability | |
CN103954970A (zh) | 一种地形要素采集方法 | |
CN112329846A (zh) | 激光点云数据高精度标注方法及***、服务器及介质 | |
CN112258568B (zh) | 一种高精度地图要素的提取方法及装置 | |
CN114937130B (zh) | 一种地形图测绘方法、装置、设备及存储介质 | |
CN114882316A (zh) | 目标检测模型训练方法、目标检测方法及装置 | |
JP2023540730A (ja) | 地形地図を構築する方法、装置、電子機器、及び読み取り可能な記憶媒体 | |
CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
Höhle | Automated mapping of buildings through classification of DSM-based ortho-images and cartographic enhancement | |
CN116416397A (zh) | 一种滑坡地质灾害的遥感解译方法 | |
CN115439621A (zh) | 一种煤矿井下巡检机器人三维地图重建及目标检测方法 | |
JP6550305B2 (ja) | 道路データ生成装置、道路データ生成方法、及びプログラム | |
CN114187357A (zh) | 一种高精地图的生产方法、装置、电子设备及存储介质 | |
CN112819700B (zh) | 一种点云数据的去噪方法、装置及可读存储介质 | |
CN110174115B (zh) | 一种基于感知数据自动生成高精度定位地图的方法及装置 | |
CN115937449A (zh) | 高精地图生成方法、装置、电子设备和存储介质 |
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 | ||
CP03 | Change of name, title or address |
Address after: Room 401, 4th Floor, No. 66 Zizhuyuan Road, Haidian District, Beijing, 100048 Patentee after: Beijing Saimu Technology Co.,Ltd. Patentee after: Zhejiang saimu Technology Co.,Ltd. Address before: 100082 1501 ZhongGuanCun international innovation building, Haidian District, Beijing Patentee before: Beijing saimu Technology Co.,Ltd. Patentee before: Zhejiang saimu Technology Co.,Ltd. |
|
CP03 | Change of name, title or address |