CN112685517A - 分歧/合流区域的识别方法和设备 - Google Patents
分歧/合流区域的识别方法和设备 Download PDFInfo
- Publication number
- CN112685517A CN112685517A CN201910990478.6A CN201910990478A CN112685517A CN 112685517 A CN112685517 A CN 112685517A CN 201910990478 A CN201910990478 A CN 201910990478A CN 112685517 A CN112685517 A CN 112685517A
- Authority
- CN
- China
- Prior art keywords
- lane line
- lane
- model
- points
- spatial index
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供一种分歧/合流区域的识别方法和设备。该方法包括:根据接收到的众包数据,建立数据模型;根据所述数据模型,建立车道线上的点的空间索引;根据所述车道线上的点的空间索引和预设滑动窗,确定相交车道线;根据所述相交车道线,确定是否存在分歧/合流区域。上述方法能在众包数据仅显示车道线有相交趋势的情况下,确定车道线对应的区域是否为分歧/合流区域,在车道线数据不完整的情况下,为地图更新提供了依据,而且,和现有技术中通过人工经验进行识别的方法相比,上述方法提高了识别效率。
Description
技术领域
本发明涉及无人驾驶技术,尤其涉及一种分歧/合流区域的识别方法和设备。
背景技术
近年来,无人驾驶汽车受到各国政府前所未有的重视,无人驾驶技术是对人类驾驶员在长期驾驶实践中,对“环境感知—决策与规划—控制与执行”过程的理解、学习和记忆的物化,无人驾驶汽车是一个复杂的、软硬件结合的智能自动化***。在无人驾驶领域,高精度地图作为先验环境信息的服务提供者,在高精度定位、辅助环境感知以及规划与决策过程中起着至关重要的作用。高精度众包数据源是高精度地图更新的一种重要数据来源,如何从众包数据中识别出分歧/合流区域是目前亟待解决的问题。
现有技术中,在众包数据仅显示车道线有相交趋势的情况下,通过人工的方式对分歧/合流区域进行识别,进而将对应的车道标线编辑出来,然而,通过人工识别的方式效率较低。
发明内容
本发明提供一种分歧/合流区域的识别方法和设备。用以解决现有技术人工识别方法效率低的问题。
第一方面,本发明提供一种分歧/合流区域的识别方法,包括:
根据接收到的众包数据,建立数据模型;
根据所述数据模型,建立车道线上的点的空间索引;
根据所述车道线上的点的空间索引和预设滑动窗,确定相交车道线;
根据所述相交车道线,确定是否存在分歧/合流区域。
第二方面,本发明提供一种分歧/合流区域的识别装置,包括:
建立模块,用于根据接收到的众包数据,建立数据模型;
所述建立模型,还用于根据所述数据模型,建立车道线上的点的空间索引;
确定模块,用于根据所述车道线上的点的空间索引和预设滑动窗,确定相交车道线;
所述确定模块,还用于根据所述相交车道线,确定是否存在分歧/合流区域。
第三方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述分歧/合流区域的识别方法。
第四方面,本发明提供一种云平台,包括:
接收模块,用于接收众包数据;
提取模块,用于根据所述众包数据,建立数据模型;还用于根据所述数据模型,建立车道线上的点的空间索引;还用于根据所述车道线上的点的空间索引和预设滑动窗,确定相交车道线;还用于根据所述相交车道线,确定是否存在分歧/合流区域;
发送模块,用于将所述提取模块确定的结果发送给地图数据更新装置,以使所述地图数据更新装置根据所述提取模块确定的结果更新地图,并将更新后的地图返回给所述云平台;
所述发送模块还用于将所述更新后的地图下发到自动驾驶车端。
本发明提供的分歧/合流区域的识别方法和设备,云平台在接收到众包数据的基础上,首先,根据该众包数据,建立数据模型;然后,根据建立的数据模型,建立车道线上的点的空间索引;然后,根据建立的车道线上的点的空间索引和预设滑动窗,确定相交车道线,最后,根据确定的相交车道线确定对应的区域是否为分歧/合流区域。上述方法能在众包数据仅显示车道线有相交趋势的情况下,确定车道线对应的区域是否为分歧/合流区域,在车道线数据不完整的情况下,为地图更新提供了依据,而且,和现有技术中通过人工经验进行识别的方法相比,上述方法提高了识别效率。
附图说明
图1为本发明提供的分歧/合流区域的识别方法的一种可选的应用场景图;
图2为本发明提供的分歧/合流区域的识别方法的实施例一的流程示意图;
图3为本发明提供的数据模型示意图;
图4为本发明提供的行车轨迹模型示意图;
图5为本发明提供的车道线上的点和行车轨迹模型的关系示意图一;
图6为本发明提供的车道线上的点和行车轨迹模型的关系示意图二;
图7为本发明提供的计算车道线上的点的空间索引的原理示意图;
图8为本发明提供的分歧/合流区域的识别方法的实施例二的流程示意图;
图9为本发明提供的求取相交车道线的原理示意图;
图10为本发明提供的识别分歧/合流区域的原理示意图;
图11为本发明提供的分歧/合流区域的识别装置的实施例的结构示意图;
图12为本发明提供的云平台的硬件结构示意图。
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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。
此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在无人驾驶领域,高精度地图的实时更新是无人驾驶汽车安全行驶的重要支撑。高精度众包数据源是高精度地图更新的一种重要数据来源,然而,众包数据中车道线信息可能并不完整,这种情况下,现有技术主要通过人工的方式对众包数据中的分歧/合流区域进行识别,进而将对应的车道标线编辑出来,但是,人工识别的方式效率较低,精确度也无法满足高精地图的需求。
基于现有技术存在的上述技术问题,本发明提供一种分歧/合流区域的识别方法和设备,在接收到众包数据的基础上,首先,根据该众包数据,建立数据模型;然后,根据建立的数据模型,建立车道线上的点的空间索引;然后,根据建立的车道线上的点的空间索引和预设滑动窗,确定相交车道线,最后,根据确定的相交车道线确定对应的区域是否为分歧/合流区域。和现有技术中通过人工经验进行识别方法相比,本发明提供的上述方法识别效率高。
图1为本发明提供的分歧/合流区域的识别方法的一种可选的应用场景图。图1所示应用场景图包括:云平台和自动驾驶车端。云平台和自动驾驶车端可通过无线通信技术连接。
其中,自动驾驶车端上安装有众包数据收集***,该众包数据收集***包含各种类型的车载传感器,自动驾驶车端可通过这些传感器采集众包数据,并将采集到的众包数据发送给云平台。
其中,云平台在接收到自动驾驶车端发送的众包数据后,可通过众包数据模型化、建立空间索引以及滑动窗口遍历相邻标线等步骤完成分歧/合流区域的识别,进而可将识别结果发送给各个自动驾驶车端。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
图2为本发明提供的分歧/合流区域的识别方法的实施例一的流程示意图。本实施例提供的分歧/合流区域的识别方法可由图1所示云平台执行,如图2所示,本实施例提供的分歧/合流区域的识别方法,包括:
S201、根据接收到的众包数据,建立数据模型。
具体的,云平台接收自动驾驶车端发送的众包数据,该众包数据包括:自动驾驶车端采集到的当前道路上的车道线数据以及每条车道线包含的点数据等。由于无人驾驶车端安装的传感器形式多样,为了提高本发明提供的识别方法的泛化能力,以使本发明提供的识别方法面向特定的数据模型,而非某种数据源,云平台需将接收到的众包数据模型化。
一种可实现方式下,可根据众包数据,建立如下数据模型:
车道模型:LBS={L1,L2,……Ln},n≥2
车道线模型:Li={P1,P2,……Pn},n≥2
行车轨迹模型:PATH={P1,P2,……Pn},n≥2
点模型:P={Longitude,Latitude,H}
其中,点模型用经度、纬度和大地高来表征,行车轨迹模型PATH由车辆行驶轨迹上的点模型P组成,行车轨迹模型PATH中点模型P的顺序和车辆行驶方向一致,车道线模型Li由对应车道线上的点模型P组成,车道线模型Li中点模型P的顺序和车辆行驶方向一致,车道模型LBS由车道线模型Li组成。车道模型LBS中车道线模型的编号可用于表示它们之间的相邻关系。参见图3所示,图3是对车道模型LBS包含3条车道线模型的一种示意。图3中,车道模型LBS包含的车道线模型为:L1、L2、L3,其中,L1与L2是相邻车道,L2和L3是相邻车道。
S202、根据所述数据模型,建立车道线上的点的空间索引。
具体的,可采用如下步骤建立车道线上的点的空间索引:
第一步、根据行车轨迹模型,建立车辆行驶轨迹上的点的空间索引。
在本步骤的实现过程中,首先,根据行车轨迹模型,确定行车轨迹模型中相邻点模型之间的距离;然后,根据行车轨迹模型中相邻点模型之间的距离,建立车辆行驶轨迹上的点的空间索引。
下面以图4所示行车轨迹模型为例对本步骤的实现过程进行说明:
图4所示行车轨迹模型包括P1、P2、…Pn个点模型,如图4所示,首先,计算行车轨迹模型上每两个相邻点模型之间的距离,记为D1、D2、…Dn-1;然后,采用如下公式建立车辆行驶轨迹上的点的空间索引:
其中,Indexn代表车辆行驶轨迹上第n个点的空间索引,Di代表车辆行驶轨迹上第i个点模型和第i+1个点模型之间的距离。
第二步、根据所述车辆行驶轨迹上点的空间索引,建立所述车道线上的点的空间索引。
在本步骤的实现过程中,首先,计算车道线上的点到行车轨迹模型中每两个相邻点模型组成的线段的点线距;然后,确定点线距最小时对应的目标线段;最后,根据车道线上的点在目标线段上的垂足和组成目标线段的两个点模型的空间索引,建立所述车道线上的点的空间索引。
下面以图5、图6和图7对本步骤的实现过程进行说明:
假设车道线上的一点PL与行车轨迹模型的关系如图5所示,首先,计算PL到行车轨迹模型中任意两个相邻点模型组成的线段的点线距,此处点线距的计算方法为:参见图6所示,如果PL到线段的垂足落在线段内,点线距为PL到线段的垂线距离,如果PL到线段的垂足落在线段外,点线距为PL与线段的两个端点中距离PL最近的端点的距离。
然后,在得到PL到行车轨迹模型中任意两个相邻点模型组成的线段的点线距后,找出点线距最小时对应的目标线段,PL与目标线段的关系有两种情况,第一种:PL到目标线段的垂足落在目标线段内,如图7所示。第二种:PL到目标线段的垂足落在目标线段外,这种情况表明PL为行车轨迹模型之外的点,PL舍弃不用。若为第一种情况,可采用如下公式建立车道线上的点的空间索引:
IndexPL=IndexPn+DL
继续参见图7所示,IndexPL代表车道线上点PL的空间索引,IndexPn代表行车轨迹模型上点模型Pn的空间索引,L代表目标线段,C代表点PL到目标线段的垂足,DL代表点模型Pn和垂足C之间的距离。
S203、根据所述车道线上点的空间索引和预设滑动窗,确定相交车道线。
其中,确定相交车道线的目的在于,将沿车辆行驶方向上各条车道线的数据均存在的区域确定出来,该区域内的两个相邻的车道线称为相交车道线,后续将以该区域内的相交车道线为依据识别分歧/合流区域。
其中,预设滑动窗的相关参数可根据实际情况设定,比如:可将预设滑动窗的长度设为20米,将滑动步长设为1米。
S204、根据所述相交车道线,确定是否存在分歧/合流区域。
具体的,在真实的场景中,非分歧/合流区域的车道宽度是恒定的,而分歧/合流区域的车道宽度是逐渐变化的,因此,在确定了相交车道线的基础上,可以以车道宽度是否发生变化来识别是否存在分歧/合流区域。
本实施例提供的分歧/合流区域的识别方法,云平台在接收到众包数据的基础上,首先,根据该众包数据,建立数据模型;然后,根据建立的数据模型,建立车道线上的点的空间索引;然后,根据建立的车道线上的点的空间索引和预设滑动窗,确定相交车道线,最后,根据确定的相交车道线确定对应的区域是否为分歧/合流区域。上述方法能在众包数据仅显示车道线有相交趋势的情况下,确定车道线对应的区域是否为分歧/合流区域,在车道线数据不完整的情况下,为地图更新提供了依据,而且,和现有技术中通过人工经验进行识别的方法相比,上述方法提高了识别效率。
图8为本发明提供的分歧/合流区域的识别方法的实施例二的流程示意图。同上述实施例,本实施例提供的分歧/合流区域的识别方法可由图1所示云平台执行,如图8所示,本实施例提供的分歧/合流区域的识别方法,包括:
S801、根据接收到的众包数据,建立数据模型。
S802、根据所述数据模型,建立车道线上的点的空间索引。
其中,S801-S802的实现方式可参见上述实施例S201-S202,本发明在此不再赘述。
S803、根据所述车道线上点的空间索引和预设滑动窗,确定所述预设滑动窗内的相交标线,相交标线为所述车道线与所述预设滑动窗相交的部分。
需要说明的是:本步骤确定的是车道模型LBS中相邻车道线模型在预设滑动窗口内的相交标线。假设车道模型LBS={L1,L2,L3},车道模型中相邻车道线模型组合包括:G1={L1,L2},G2={L2,L3}。下面以G1={L1,L2}为例对本步骤中确定预设滑动窗内相交标线的过程进行说明:
假设L1起始点模型为P0,P0的空间索引记为Index0,例如但不限于Index0=0米,沿车辆行驶方向,以W为窗口长度,S为步长作滑动窗口,则第n次滑动窗口所在空间索引范围为:
R=[Index0+n*S,Index0+n*S+W]
令
W1=Index0+n*S
W2=Index0+n*S+W
通过如下方法计算L2在预设滑动窗内与L1的相交标线:
如果L2上第n和第n+1个点模型的空间索引满足Indexn≤W1≤Indexn+1,则L2与预设滑动窗存在起始交点,该起始交点的坐标为:
其中,Px和Px+1分别表示L2上第n个和第n+1个点模型的x坐标;Py和Py+1分别表示L2上第n个和第n+1个点模型的y坐标;Pz和Pz+1分别表示L2上第n个和第n+1个点模型的z坐标。
如果L2上没有点模型满足Indexn≤W1≤Indexn+1,则L2与预设滑动窗没有起始交点。
如果L2上第n和第n+1个点模型的空间索引满足Indexn≤W2≤Indexn+1,则L2与预设滑动窗存在终止交点,该终止交点的坐标为:
其中,Px和Px+1分别表示L2上第n个和第n+1个点模型的x坐标;Py和Py+1分别表示L2上第n个和第n+1个点模型的y坐标;Pz和Pz+1分别表示L2上第n个和第n+1个点模型的z坐标。
如果L2上没有点模型满足Indexn≤W2≤Indexn+1,则L2与预设滑动窗没有终止交点。
如果L2上有点模型的空间索引Indexn满足W1≤Indexn≤W2,则该点模型为落在预设滑动窗内的点。
将起始交点、落在预设滑动窗内的点和终止交点组成一条线,这条线便和L1在预设滑动窗内构成相交标线。
S804、将相邻车道线对应的两条相交标线的起点进行比较,得到两条相交标线中空间索引最大的起点。
S805、将相邻车道线对应的两条相交标线的终点进行比较,得到两条相交标线中空间索引最小的终点。
S806、根据所述空间索引最大的起点和所述空间索引最小的终点,确定所述相交车道线。
下面通过举例对S804-S806的过程进行说明:
假设相邻车道线对应的两条相交标线分别为M1和M2,分别获取M1的起点和终点的空间索引,以及M2的起点和终点的空间索引,记录为:和如果它们之间满足如下关系,则表明M1和M2没有横向相交区域,该数据不做后续处理;如果它们之间不满足如下关系,则表明M1和M2存在横向相交区域,继续后续处理过程。
在M1和M2存在横向相交区域情况下,将和进行比较,从而确定M1和M2中空间索引最大的起点,将和进行比较,从而确定M1和M2中空间索引最小的终点,参见图9所示,在图9的示意中,空间索引最大的起点为M2的起点,记为P’,空间索引最小的终点为M1的终点,记为P”,求P’到M1的垂足C,以及P”到M2的垂足C’,则M1上从点C到终点P”所组成的线段,以及M2上从点P’到点C’所组成的线段便构成了相交车道线。
S807、根据所述相交车道线,计算沿车辆行驶方向上各采样间隔内所述相交车道线之间的车道距离。
S808、根据所述车道距离,确定是否存在分歧/合流区域。
可选的,若在车辆行驶方向上各采样间隔内,所述车道距离的绝对值大于第一阈值的个数大于等于第二阈值,则可确定存在所述分歧/合流区域。
下面通过距离对S806-S807的过程进行说明:
参见图10所示,从相交车道线的起点开始,沿车辆行驶方向上,每隔ΔX求一次相交车道线之间的车道距离ΔD,统计ΔD中绝对值大于第一阈值的个数,若个数大于等于第二阈值,则确定存在所述分歧/合流区域。
可选的,ΔX例如可以是0.1米,第一阈值例如可以是0.001米,第二阈值例如可以是5个。
参见上文描述,由于S803中确定的相交标线指的是车道模型中相邻车道线模型在预设滑动窗口内的相交标线,相应的,S804-S805确定的相交车道线指的是相邻车道线模型的相交车道线,S806-S807是确定的是相邻车道线模型对应的区域是否存在分歧/合流区域。
S809、若所述车道距离沿车辆行驶方向变大,则确定所述相交车道线对应的区域为分歧区域;若所述车道距离沿车辆行驶方向变小,则确定所述相交车道线对应的区域为合流区域。
具体的,在S807确定存在分歧/合流区域时,进一步获取车道距离ΔD沿车辆行驶方向的变化情况,若ΔD沿车辆行驶方向变大,则相交车道线对应的区域为分歧区域,若ΔD沿车辆行驶方向变小,则相交车道线对应的区域为合流区域。
本实施例提供的分歧/合流区域的识别方法,描述了确定相交车道线的可实现方式,以及确定分歧/合流区域的可实现方式,和现有技术中通过人工经验进行识别方法相比,本实施例提供方法识别效率高。
图11为本发明提供的分歧/合流区域的识别装置的实施例的结构示意图。如图11所示,本实施例提供的分歧/合流区域的识别装置,包括:
建立模块1101,用于根据接收到的众包数据,建立数据模型;
所述建立模型1101,还用于根据所述数据模型,建立车道线上的点的空间索引;
确定模块1102,用于根据所述车道线上的点的空间索引和预设滑动窗,确定相交车道线;
所述确定模块1102,还用于根据所述相交车道线,确定是否存在分歧/合流区域。
可选的,所述数据模型包括:车道模型、车道线模型、行车轨迹模型和点模型,其中,所述行车轨迹模型由车辆行驶轨迹上的点模型组成,所述行车轨迹模型中点模型的顺序和车辆行驶方向一致,所述车道线模型由车道线上的点模型组成,所述车道线模型中点模型的顺序和车辆行驶方向一致,所述车道模型由所述车道线模型组成。
可选的,所述建立模型1101,具体用于:
根据所述行车轨迹模型,建立所述车辆行驶轨迹上的点的空间索引;
根据所述车辆行驶轨迹上点的空间索引,建立所述车道线上的点的空间索引。
可选的,所述建立模型1101,具体用于:
根据所述行车轨迹模型,确定所述行车轨迹模型中相邻点模型之间的距离;
根据所述行车轨迹模型中相邻点模型之间的距离,建立所述车辆行驶轨迹上的点的空间索引。
可选的,所述建立模型1101,具体用于:
计算所述车道线上的点到所述行车轨迹模型中每两个相邻点模型组成的线段的点线距;
确定所述点线距最小时对应的目标线段;
根据所述车道线上的点在所述目标线段上的垂足和组成所述目标线段的两个点模型的空间索引,建立所述车道线上的点的空间索引。
可选的,所述确定模块1102,具体用于:
根据所述车道线上点的空间索引和预设滑动窗,确定所述预设滑动窗内的相交标线,所述相交标线为所述车道线与所述预设滑动窗相交的部分;
将相邻车道线对应的两条相交标线的起点进行比较,得到两条相交标线中空间索引最大的起点;
将所述相邻车道线对应的两条相交标线的终点进行比较,得到两条相交标线中空间索引最小的终点;
根据所述空间索引最大的起点和所述空间索引最小的终点,确定所述相交车道线。
可选的,所述确定模块1102,具体用于:
根据所述相交车道线,计算沿车辆行驶方向上各采样间隔内所述相交车道线之间的车道距离;
根据所述车道距离,确定是否存在分歧/合流区域。
可选的,所述确定模块1102,具体用于:
若在车辆行驶方向上各采样间隔内,所述车道距离的绝对值大于第一阈值的个数大于等于第二阈值,则确定存在所述分歧/合流区域。
可选的,所述确定模块1102,还用于:
若所述车道距离沿车辆行驶方向变大,则确定所述相交车道线对应的区域为分歧区域;
若所述车道距离沿车辆行驶方向变小,则确定所述相交车道线对应的区域为合流区域。
本实施例提供的分歧/合流区域的识别装置,可用于执行上述任一实施例描述的分歧/合流区域的识别方法,其实现原理和技术效果类似,在此不再赘述。
图12为本发明提供的云平台的硬件结构示意图。如图12所示,本实施例的云平台可以包括:
接收模块1201,用于接收众包数据;
提取模块1202,用于根据所述众包数据,建立数据模型;还用于根据所述数据模型,建立车道线上的点的空间索引;还用于根据所述车道线上的点的空间索引和预设滑动窗,确定相交车道线;还用于根据所述相交车道线,确定是否存在分歧/合流区域;
发送模块1203,用于将所述提取模块确定的结果发送给地图数据更新装置,以使所述地图数据更新装置根据所述提取模块确定的结果更新地图,并将更新后的地图返回给所述云平台;
所述发送模块1203还用于将所述更新后的地图下发到自动驾驶车端。
本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例描述的分歧/合流区域的识别方法。
本发明还提供一种程序产品,所述程序产品包括计算机程序,所述计算机程序存储在可读存储介质中,至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得云平台实施上述任一实施例描述的分歧/合流区域的识别方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,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,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,在本发明各个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。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元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)或处理器(英文:processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
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: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的本质脱离本发明各实施例技术方案的范围。
Claims (12)
1.一种分歧/合流区域的识别方法,其特征在于,包括:
根据接收到的众包数据,建立数据模型;
根据所述数据模型,建立车道线上的点的空间索引;
根据所述车道线上的点的空间索引和预设滑动窗,确定相交车道线;
根据所述相交车道线,确定是否存在分歧/合流区域。
2.根据权利要求1所述的方法,其特征在于,所述数据模型包括:车道模型、车道线模型、行车轨迹模型和点模型,其中,所述行车轨迹模型由车辆行驶轨迹上的点模型组成,所述行车轨迹模型中点模型的顺序和车辆行驶方向一致,所述车道线模型由车道线上的点模型组成,所述车道线模型中点模型的顺序和车辆行驶方向一致,所述车道模型由所述车道线模型组成。
3.根据权利要求2所述的方法,其特征在于,所述根据所述数据模型,建立车道线上的点的空间索引,包括:
根据所述行车轨迹模型,建立所述车辆行驶轨迹上的点的空间索引;
根据所述车辆行驶轨迹上点的空间索引,建立所述车道线上的点的空间索引。
4.根据权利要求3所述的方法,其特征在于,所述根据所述行车轨迹模型,建立所述车辆行驶轨迹上的点的空间索引,包括:
根据所述行车轨迹模型,确定所述行车轨迹模型中相邻点模型之间的距离;
根据所述行车轨迹模型中相邻点模型之间的距离,建立所述车辆行驶轨迹上的点的空间索引。
5.根据权利要求4所述的方法,其特征在于,所述根据所述车辆行驶轨迹上的点的空间索引,建立所述车道线上的点的空间索引,包括:
计算所述车道线上的点到所述行车轨迹模型中每两个相邻点模型组成的线段的点线距;
确定所述点线距最小时对应的目标线段;
根据所述车道线上的点在所述目标线段上的垂足和组成所述目标线段的两个点模型的空间索引,建立所述车道线上的点的空间索引。
6.根据权利要求5所述的方法,其特征在于,所述根据所述车道线上点的空间索引和预设滑动窗,确定相交车道线,包括:
根据所述车道线上点的空间索引和预设滑动窗,确定所述预设滑动窗内的相交标线,所述相交标线为所述车道线与所述预设滑动窗相交的部分;
将相邻车道线对应的两条相交标线的起点进行比较,得到两条相交标线中空间索引最大的起点;
将所述相邻车道线对应的两条相交标线的终点进行比较,得到两条相交标线中空间索引最小的终点;
根据所述空间索引最大的起点和所述空间索引最小的终点,确定所述相交车道线。
7.根据权利要求6所述的方法,其特征在于,所述根据所述相交车道线,确定是否存在分歧/合流区域,包括:
根据所述相交车道线,计算沿车辆行驶方向上各采样间隔内所述相交车道线之间的车道距离;
根据所述车道距离,确定是否存在分歧/合流区域。
8.根据权利要求7所述的方法,其特征在于,所述根据所述车道距离,确定是否存在分歧/合流区域,包括:
若在车辆行驶方向上各采样间隔内,所述车道距离的绝对值大于第一阈值的个数大于等于第二阈值,则确定存在所述分歧/合流区域。
9.根据权利要求7-8任一项所述的方法,其特征在于,还包括:
若所述车道距离沿车辆行驶方向变大,则确定所述相交车道线对应的区域为分歧区域;
若所述车道距离沿车辆行驶方向变小,则确定所述相交车道线对应的区域为合流区域。
10.一种分歧/合流区域的识别装置,其特征在于,包括:
建立模块,用于根据接收到的众包数据,建立数据模型;
所述建立模型,还用于根据所述数据模型,建立车道线上的点的空间索引;
确定模块,用于根据所述车道线上的点的空间索引和预设滑动窗,确定相交车道线;
所述确定模块,还用于根据所述相交车道线,确定是否存在分歧/合流区域。
11.一种计算机可读存储介质,其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执行时实现权利要求1-9任一项所述的方法。
12.一种云平台,其特征在于,包括:
接收模块,用于接收众包数据;
提取模块,用于根据所述众包数据,建立数据模型;还用于根据所述数据模型,建立车道线上的点的空间索引;还用于根据所述车道线上的点的空间索引和预设滑动窗,确定相交车道线;还用于根据所述相交车道线,确定是否存在分歧/合流区域;
发送模块,用于将所述提取模块确定的结果发送给地图数据更新装置,以使所述地图数据更新装置根据所述提取模块确定的结果更新地图,并将更新后的地图返回给所述云平台;
所述发送模块还用于将所述更新后的地图下发到自动驾驶车端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910990478.6A CN112685517B (zh) | 2019-10-17 | 2019-10-17 | 分歧/合流区域的识别方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910990478.6A CN112685517B (zh) | 2019-10-17 | 2019-10-17 | 分歧/合流区域的识别方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112685517A true CN112685517A (zh) | 2021-04-20 |
CN112685517B CN112685517B (zh) | 2023-01-31 |
Family
ID=75444670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910990478.6A Active CN112685517B (zh) | 2019-10-17 | 2019-10-17 | 分歧/合流区域的识别方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112685517B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435427A (zh) * | 2021-08-27 | 2021-09-24 | 湖北亿咖通科技有限公司 | 车道线的聚合方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012150591A2 (en) * | 2011-05-03 | 2012-11-08 | Alon Atsmon | Automatic content analysis method and system |
CN103971521A (zh) * | 2014-05-19 | 2014-08-06 | 清华大学 | 道路交通异常事件实时检测方法及装置 |
CN109059954A (zh) * | 2018-06-29 | 2018-12-21 | 广东星舆科技有限公司 | 支持高精度地图车道线实时融合更新的方法和*** |
WO2019003086A1 (en) * | 2017-06-28 | 2019-01-03 | Here Global B.V. | METHOD, APPARATUS AND COMPUTER PROGRAM PRODUCT FOR PROVIDING DYNAMIC PATH GUIDANCE |
CN109214314A (zh) * | 2018-08-17 | 2019-01-15 | 宽凳(北京)科技有限公司 | 一种车道线自动融合匹配算法 |
-
2019
- 2019-10-17 CN CN201910990478.6A patent/CN112685517B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012150591A2 (en) * | 2011-05-03 | 2012-11-08 | Alon Atsmon | Automatic content analysis method and system |
CN103971521A (zh) * | 2014-05-19 | 2014-08-06 | 清华大学 | 道路交通异常事件实时检测方法及装置 |
WO2019003086A1 (en) * | 2017-06-28 | 2019-01-03 | Here Global B.V. | METHOD, APPARATUS AND COMPUTER PROGRAM PRODUCT FOR PROVIDING DYNAMIC PATH GUIDANCE |
CN109059954A (zh) * | 2018-06-29 | 2018-12-21 | 广东星舆科技有限公司 | 支持高精度地图车道线实时融合更新的方法和*** |
CN109214314A (zh) * | 2018-08-17 | 2019-01-15 | 宽凳(北京)科技有限公司 | 一种车道线自动融合匹配算法 |
Non-Patent Citations (1)
Title |
---|
王科等: "基于多特征融合的道路理解方法", 《中国公路学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435427A (zh) * | 2021-08-27 | 2021-09-24 | 湖北亿咖通科技有限公司 | 车道线的聚合方法和装置 |
CN113435427B (zh) * | 2021-08-27 | 2021-11-09 | 湖北亿咖通科技有限公司 | 车道线的聚合方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112685517B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287276B (zh) | 高精地图更新方法、装置及存储介质 | |
US10403138B2 (en) | Traffic accident warning method and traffic accident warning apparatus | |
CN109902899B (zh) | 信息生成方法和装置 | |
CN110749329B (zh) | 一种基于结构化道路的车道级拓扑构建方法及装置 | |
CN102208035B (zh) | 图像处理***及位置测量*** | |
CN102208012A (zh) | 风景匹配参考数据生成***及位置测量*** | |
CN114399916B (zh) | 一种数字孪生智慧城市交通的虚拟红绿灯控制提醒方法 | |
CN112270272B (zh) | 高精度地图制作中道路路口提取方法及*** | |
CN112418081B (zh) | 一种空地联合快速勘察交通事故的方法及*** | |
CN113008260A (zh) | 一种导航信息处理方法、装置、电子设备及存储介质 | |
CN111380544A (zh) | 车道线的地图数据生成方法及装置 | |
CN114518122A (zh) | 行车导航方法、装置、计算机设备、存储介质和计算机程序产品 | |
WO2022083487A1 (zh) | 生成高精度地图的方法、装置和计算机可读存储介质 | |
CN111914691A (zh) | 一种轨道交通车辆定位方法及*** | |
CN114485690A (zh) | 导航地图的生成方法、装置、电子设备及存储介质 | |
US20180208197A1 (en) | Lane keeping assistance system | |
CN110473405B (zh) | 行驶状态检测方法、装置、可读存储介质和电子设备 | |
CN112685517B (zh) | 分歧/合流区域的识别方法和设备 | |
CN114758086A (zh) | 一种城市道路信息模型的构建方法及装置 | |
CN113178091B (zh) | 安全行驶区域方法、装置和网络设备 | |
CN116704750B (zh) | 一种基于聚类算法的交通状态识别方法、电子设备、介质 | |
CN111613052B (zh) | 一种交通状况确定方法、装置、电子设备及存储介质 | |
CN113392170A (zh) | 一种高精度地图数据的生成方法、装置及服务器 | |
CN114705180B (zh) | 高精地图的数据修正方法、装置、设备及存储介质 | |
CN114722127A (zh) | 电子地图校正方法、导航信息设置方法、导航方法及装置 |
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 |