CN112884837A - 道路定位方法、装置、设备及存储介质 - Google Patents
道路定位方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112884837A CN112884837A CN202110282157.8A CN202110282157A CN112884837A CN 112884837 A CN112884837 A CN 112884837A CN 202110282157 A CN202110282157 A CN 202110282157A CN 112884837 A CN112884837 A CN 112884837A
- Authority
- CN
- China
- Prior art keywords
- road
- time
- target vehicle
- characteristic information
- information
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
Abstract
本公开提供了道路定位方法、装置、设备及存储介质,涉及自动驾驶领域。具体实现方案为:预测得到相邻N个时刻目标车辆的位置特征信息,预测位置特征信息表征当前时刻所述目标车辆处于相关联至少一个候选道路的概率值;基于所述N个时刻目标车辆的位置特征信息,得到所述目标车辆从所述N个时刻中的t时刻至t+1时刻的转移特征信息,转移特征信息至少表征目标车辆从所述t时刻所关联的至少一个候选道路转移至t+1时刻所关联的至少一个候选道路所对应的转移路径的概率值;基于位置特征信息以及所述道路转移信息,从所有候选道路中预测得到所述N个时刻所对应时段内所述目标车辆所处的初始道路。如此,实现了道路级的定位。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及自动驾驶领域。
背景技术
道路级定位技术是指在有全球导航卫星***(GNSS,Global NavigationSatellite System)定位的情况下,在地图路网中找对当前定位所在的道路。这是地图导航技术等应用的基础功能。但是,在实际应用情况下,移动设备或车载GNSS的定位精度误差可以高达十米甚至数十米,如果GNSS误差范围内存在多条道路,就不直接通过定位来确定所在道路,降低了用户体验,同时,限制了使用场景。
发明内容
本公开提供了一种道路定位方法、装置、设备及存储介质。
根据本公开的一方面,提供了一种道路定位方法,包括:
预测得到相邻N个时刻目标车辆的位置特征信息,其中,所述预测位置特征信息表征当前时刻所述目标车辆处于相关联至少一个候选道路的概率值;所述N为大于等于2的整数;
基于所述N个时刻目标车辆的位置特征信息,得到所述目标车辆从所述N个时刻中的t时刻至t+1时刻的转移特征信息,其中,所述转移特征信息至少表征所述目标车辆从所述t时刻所关联的至少一个候选道路转移至t+1时刻所关联的至少一个候选道路所对应的转移路径的概率值;
基于所述位置特征信息以及所述道路转移信息,从所有所述候选道路中预测得到所述N个时刻所对应时段内所述目标车辆所处的初始道路。
根据本公开的另一方面,提供了一种道路定位装置,包括:
预测单元,用于预测得到相邻N个时刻目标车辆的位置特征信息,其中,所述预测位置特征信息表征当前时刻所述目标车辆处于相关联至少一个候选道路的概率值;所述N为大于等于2的整数;
转移特征确定单元,用于基于所述N个时刻目标车辆的位置特征信息,得到所述目标车辆从所述N个时刻中的t时刻至t+1时刻的转移特征信息,其中,所述转移特征信息至少表征所述目标车辆从所述t时刻所关联的至少一个候选道路转移至t+1时刻所关联的至少一个候选道路所对应的转移路径的概率值;
初始道路确定单元,用于基于所述位置特征信息以及所述道路转移信息,从所有所述候选道路中预测得到所述N个时刻所对应时段内所述目标车辆所处的初始道路。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本公开任一实施例中的方法。
根据本公开的技术实现了道路级的初始定位,提升了用户体验,同时,也丰富了使用场景。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例道路定位方法的实现流程示意图;
图2是根据本公开实施例道路定位方法在一具体示例中处理流程示意图;
图3是根据本公开实施例道路定位方法在一具体示例中的示意图;
图4是根据本公开实施例道路定位装置的结构示意图;
图5是用来实现本公开实施例的道路定位方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实际应用中,道路级定位可以简单区分为初始化和稳定定位两个阶段。在稳定定位阶段,前一个时刻的道路已经确定,即使当下行驶到了岔路口,可选择的道路也有限,因为前一时刻在拓扑结构(比如路网结构)上不相连的道路不用考虑。这样,相当于有了稳定的先验信息,缩小了选择范围。但是在初始化阶段,没有先验信息,需要以极高的准确率来从车辆当前位置周围一定半径内的道路选出正确的道路。基于此,本申请方案提供了一种道路定位方案。
具体地,本申请方案提供了一种道路定位方法,如图1所示,该方法包括:
步骤S101:预测得到相邻N个时刻目标车辆的位置特征信息,其中,所述预测位置特征信息表征当前时刻所述目标车辆处于相关联至少一个候选道路的概率值;所述N为大于等于2的整数。
步骤S102:基于所述N个时刻目标车辆的位置特征信息,得到所述目标车辆从所述N个时刻中的t时刻至t+1时刻的转移特征信息,其中,所述转移特征信息至少表征所述目标车辆从所述t时刻所关联的至少一个候选道路转移至t+1时刻所关联的至少一个候选道路所对应的转移路径的概率值。这里,t和t+1为N个时刻内的相邻两个时刻。
步骤S103:基于所述位置特征信息以及所述道路转移信息,从所有所述候选道路中预测得到所述N个时刻所对应时段内所述目标车辆所处的初始道路。
这样,基于目标车辆当前时刻处于相关联的候选道路的概率值,以及相邻两时刻(即t时刻至t+1时刻)的转移路径的概率值,来推测出目标车辆的初始道路,如此,从概率的角度上,来将各候选道路以及转移路径进行量化,进而来选取出初始道路,解决了现有误差较大的问题,在实现道路级的定位的基础上,提升了用户体验,也丰富了使用场景。
实际应用中,在自动驾驶的场景下,需要分米甚至厘米级的定位精度。而要做到高精度定位之前,首先要做到的是极高准确率的道路级定位。显然,本申请方案能够应用于自动驾驶场景,为实现自动驾驶场景的道路级准确定位提供了支持。
这里,需要说明的是,t时刻所关联的候选道路,与t+1时刻所关联的候选道路,可能相同,也可能不相同,或者只有部分相同;基于此,该转移路径可以是从t时刻的候选道路A转移至t+1时刻的候选道路B,或者是,从t时刻的候选道路A转移至t+1时刻的候选道路A,即行驶道路没有发生变化,本申请方案对此不作限制。
在本申请方案的一具体示例中,为进一步提升定位的初始道路的准确率,本申请方案还可以应用到训练场景,此时,预先知晓真实初始道路,如此,来进一步提升定位结果的准确率。具体地,基于预测得到的所述初始道路,与所述目标车辆在所述N个时刻所对应时段内的真实初始道路之间的差异特征,对预测得到的所述位置特征信息进行优化处理。
在本申请方案的一具体示例中,可以采用如下方式来得到位置特征信息,具体地,获取所述t时刻的所述目标车辆的道路图像信息以及所处的地理位置信息;该道路图像信息可以具体为目标车辆当前时刻所行驶的道路,该信息可以通过车载设备,比如,车载摄像头采集,并上传至服务器,以便进行定位处理。进一步地,基于所述道路图像信息以及所述地理位置信息,预测出所述目标车辆在所述t时刻所关联的至少一个候选道路,以及所述目标车辆处于所关联的候选道路的概率值;进而,将所述目标车辆在所述t时刻所关联的至少一个候选道路,以及所述目标车辆处于所关联的候选道路的概率值作为所述目标车辆在所述t时刻的位置特征信息,如此,预测得到N个时刻中各时刻的目标车辆的位置特征信息,为后续实现道路级定位奠定了基础。
在本申请方案的一具体示例中,还可以采用如下方式来得到某一时刻所关联的候选道路的概率值,具体地,确定定位所述目标车辆所在道路所需的至少两个预设特征,以及所述预设特征的初始权重;这里,所述预设特征可以基于实际定位需求而任意设定,相应地,所述初始权重也可以基于实际需求而任意设定,本申请方案对此不作限制。进一步地,确定所述预设特征的初始特征值,其中,所述初始特征值是基于所述N个时刻中的t时刻的所述目标车辆的道路图像信息以及所处的地理位置信息而确定的;进而基于所述初始权重以及所述初始特征值,得到所述t时刻的所述目标车辆处于相关联的候选道路的概率值,如此,预测得到所述t时刻的位置特征信息,进而预测得到相邻N个时刻中各时刻目标车辆的位置特征信息,为后续实现道路级定位奠定了基础。
在本申请方案的一具体示例中,以上所述的对预测得到的所述位置特征信息进行优化处理,具体包括:对所述预设特征的初始权重进行优化,以得到针对所述预设特征的目标权重;其中,基于目标权重预测得到的所述初始道路与所述真实初始道路相匹配。具体地,基于目标权重可以得到所述t时刻的所述目标车辆处于相关联的候选道路的概率值,以及得到所述t+1时刻的所述目标车辆处于相关联的候选道路的概率值,进而得到所述目标车辆从所述t时刻所关联的候选道路转移至t+1时刻所关联的候选道路所对应的转移路径的概率值,如此,预测得到初始道路,这里,由于目标权重是基于真实道路做参考并优化调整后得到的,所以,基于该目标权重预测得到的初始道路的准确率更高,进而,进一步提升了用户体验。
在本申请方案的一具体示例中,以上所述的基于所述N个时刻目标车辆的位置特征信息,得到所述目标车辆从所述N个时刻中的t时刻至t+1时刻的转移特征信息,可以具体包括:获取所述t时刻的位置特征信息,以及所述t+1时刻的位置特征信息;将所述t时刻的位置特征信息所关联候选道路的概率值,与所述t+1时刻的位置特征信息所关联的候选道路的概率值进行乘积处理;将乘积处理结果作为所述目标车辆从所述N个时刻中的t时刻至t+1时刻的转移特征信息。也就是说,将乘积处理结果作为所述t时刻所关联的候选道路转移至t+1时刻所关联的候选道路所对应的转移路径的概率值,举例来说,t时刻所关联的候选道路A的概率值为A1,t+1时刻所关联的候选道路B的概率值为B1,此时,该转移路径的概率值即为A1乘以B1。如此,基于简单的量化方式,得到t时刻至t+1时刻的转移特征信息,进而为准确确定出初始道路奠定了基础。
在本申请方案的一具体示例中,以上所述的基于所述位置特征信息以及所述道路转移信息,从所有所述候选道路中预测得到所述N个时刻所对应时段内所述目标车辆所处的初始道路,可以具体包括:基于所述位置特征信息以及所述道路转移信息,得到所有转移路径的概率值,比如,基于乘积关系得到所有转移路径的概率值,进而基于概率值最大的转移路径所对应的候选道路,确定出所述目标车辆所处的初始道路。也就是说,选取出概率最大的转移路径作为目标车辆的行驶路径,进而来预测得到初始道路,实现了道路级的定位,同时,也提升了用户体验,丰富了使用场景。
这里,需要说明的是,本申请方案中,以上所述的t时刻为相邻N个时刻中的任一时刻,换言之,实际应用中,相邻N个时刻中的任一时刻的相关信息的处理流程,均可参见上述示例中针对t时刻的处理方式,这里,不再针对每个时刻赘述。
这样,基于目标车辆当前时刻处于相关联的候选道路的概率值,以及相邻两时刻(即t时刻至t+1时刻)的转移路径的概率值,来推测出目标车辆的初始道路,如此,从概率的角度上,来将各候选道路以及转移路径进行量化,进而来选取出初始道路,解决了现有误差较大的问题,在实现道路级的定位的基础上,提升了用户体验,也丰富了使用场景。
以下结合具体示例对本申请方案做进一步详细说明,具体地,道路级定位技术,从信息角度来说,可利用的是历史信息和当前信息,隐马尔可夫框架可以很好地将两个角度的信息进行综合,基于此,本示例采用隐马尔可夫框架来实现初始道路的定位,如图2所示,该框架中,状态,也可称为状态信息,可以基于观测(也即观测信息)推测得到,因此,该状态也可称为隐状态。而基于时序推导可以得到相邻两个状态对应的转移道路的概率值。具体地,对时序推导和信息匹配进行详细说明:
第一,时序推导,得到当前帧的状态推导至下一帧的状态的转换概率。这里,帧可以理解为当前时刻下针对目标车辆的至少包含道路图像信息以及地理位置信息的整体特征信息。实际场景中,真实道路会分为很多的段,每一段可称为一个link,有其唯一的id,也即link id。基于此,帧的状态可以理解为基于当前时刻的观测(也即整体特征信息)而推测得到的目标车辆可能所处的候选道路link id的集合。进一步地,相邻状态之间的时序推导,则基于地图拓扑联通性,加上前后状态的变化量和前后观测的变化量之间的相似性来表征出一个概率,也即转移概率。以图2中状态t-1和状态t举例来说,假设状态t-1可能的link id有m个,状态t可能的link id有n个,那么,基于时序推导即可得到转移矩阵T,该转移矩阵T则为m×n的一个矩阵。进一步地,在确定状态t-1中m个link id的概率值,以及状态t中n个link id的概率值后,即可得到转移矩阵中所涉及到的转移路径的概率值,即转移概率。
第二,信息匹配,可理解为当前帧的整体特征信息和地图信息的匹配过程,可以通过相似概率来表征,也即通过相似概率来表征link id的概率值。比如,基于GNSS的相关信息可以初步筛选出当前时刻目标车辆的候选道路,进而基于获取到的感知信息等,即可更精确确定定位所处道路的属性。举例来说,基于道路图像信息,可以检测出目标车辆当前所处的道路有三条车道,车道线属性是实线、虚线、虚线、实线,颜色均为白色,进而与地图信息匹配后,即可为link id赋予概率值。
实际应用中,相似概率没有标准的定义。基于此,可以预先确定出预设特征,比如,GNSS航向和地图航向差、GNSS位置到地图垂直距离、感知信息(比如通过车载传感器获知的信息)和地图匹配程度、车速与地图道路限速差、GNSS高程和地图高程差等预设特征来综合计算link id的相似概率。具体地,可以将上述预设特征记为:
X=(x1,xx,...,xn)
假设每一个预设特征有其独立的分布,进而转化为概率值进行表示,得到:
P=(p1,p2,...,pn)
在各个概率之间,采用线性加权的形式,得到单个link id的相似概率:
注意到权重ω,其数值大小代表了对应预设特征的重要性,这个权重参数可以通过数据来驱动训练得到最佳权重组合。
具体地,采用滑动窗口的形式来训练得到最佳权重组合,这里,假设窗口的大小为N,也即包含有N个时刻,则在窗口内部就有N个观测,对应N个状态。基于此,可以通过确定窗口内部最大概率的状态链(也即转移路径)的方式,来确定每个状态的最佳值,也就是每个状态的最佳link id。这里,需要说明的是,上述过程中将真实道路信息作为参考信息来实现训练,如此,得到最优的权重组合。
具体地,基于相似概率以及转移概率得到如下公式:
(t时刻的相似概率)×(t时刻至t+1时刻的转移概率)×(t+1时刻相似概率)×…×(t+N-1时刻的相似概率)×(t+N-1时刻至t+N时刻的转移概率)×(t+N时刻相似概率)。
对于每条转移路径(也即链)而言,其概率均是ω的函数,进而对所有的链条的概率归一化处理后,即可看到链占所有选项的比例,比如,通过概率向量A的方式表征。
进一步地,进行真实场景的真值标注,比如,真实场景下,目标车辆所处的道路的概率为1,目标车辆未行驶至的道路的概率为0等,如此,同样将上述公式改写成概率向量B。此时,损失函数即可为为归一化概率(概率向量A)与真值(概率向量B)的差的平方。这样,通过简单的梯度下降方法,就可以训练出最佳的ω参数,使得通过ω表达的概率的连乘选择的道路是准确率最高的道路。
举例来说,如图3所示,假设N等于3,即滑动窗口中包含3个时刻,其中,时刻1所关联的道路包括道路A和道路D,时刻1道路A的概率值为ρ1A,时刻1道路D的概率值为ρ1D;同理,时刻2所关联的道路包括道路A、道路B和道路C,相应地,概率值分别为ρ2A,ρ2B和ρ2C;时刻3所关联的道路包括道路B和道路D,相应地,概率值分别为ρ3B和ρ3D。此时,基于本申请方案即可得到滑动窗口内所有链的概率,即ρ(AAB)(表征从时刻1的道路A、至时刻2的道路A,再至时刻3的道路C所对应转移路径的概率值)、ρ(AAD)、ρ(ABB)等,实际应用中,需要穷举出所有可能。进一步地,该p(AAB)=ρ1A×TAA×ρ2A×TAB×ρ2B,这里,所述的TAA即为从时刻1的道路A转移至时刻2的道路A所对应的转移路径的概率值,比如,等ρ1A×ρ2A。如此,确定出概率最大的链,进而得到初始道路。
综上,本申请方案着重考虑了基于滑动窗口的隐马尔可夫模型的初始化问题,相对于传统技术对初始化阶段缺少讨论和实现的现状,本申请方案将初始化技术做了完整的抽象,充分利用了目标车辆的多重传感器的相关信息,将初始化简化为分类模型问题,进而得到准确度较高的初始道路。目前,本申请方案1w公里的测试数据上,基本上可以达到99.9%以上的准确率。
本申请方案还提供了一种道路定位装置,如图4所示,该装置包括:
预测单元401,用于预测得到相邻N个时刻目标车辆的位置特征信息,其中,所述预测位置特征信息表征当前时刻所述目标车辆处于相关联至少一个候选道路的概率值;所述N为大于等于2的整数;
转移特征确定单元402,用于基于所述N个时刻目标车辆的位置特征信息,得到所述目标车辆从所述N个时刻中的t时刻至t+1时刻的转移特征信息,其中,所述转移特征信息至少表征所述目标车辆从所述t时刻所关联的至少一个候选道路转移至t+1时刻所关联的至少一个候选道路所对应的转移路径的概率值;
初始道路确定单元403,用于基于所述位置特征信息以及所述道路转移信息,从所有所述候选道路中预测得到所述N个时刻所对应时段内所述目标车辆所处的初始道路。
在本申请方案的一具体示例中,还包括:
优化单元,用于基于预测得到的所述初始道路,与所述目标车辆在所述N个时刻所对应时段内的真实初始道路之间的差异特征,对预测得到的所述位置特征信息进行优化处理。
在本申请方案的一具体示例中,所述预测单元,还用于获取所述t时刻的所述目标车辆的道路图像信息以及所处的地理位置信息;基于所述道路图像信息以及所述地理位置信息,预测出所述目标车辆在所述t时刻所关联的至少一个候选道路,以及所述目标车辆处于所关联的候选道路的概率值;将所述目标车辆在所述t时刻所关联的至少一个候选道路,以及所述目标车辆处于所关联的候选道路的概率值作为所述目标车辆在所述t时刻的位置特征信息,以预测得到N个时刻目标车辆的位置特征信息。
在本申请方案的一具体示例中,所述预测单元,还用于确定定位所述目标车辆所在道路所需的至少两个预设特征,以及所述预设特征的初始权重;确定所述预设特征的初始特征值,其中,所述初始特征值是基于所述N个时刻中的t时刻的所述目标车辆的道路图像信息以及所处的地理位置信息而确定的;基于所述初始权重以及所述初始特征值,得到所述t时刻的所述目标车辆处于相关联的候选道路的概率值,以预测得到所述t时刻的位置特征信息。
在本申请方案的一具体示例中,所述优化单元,还用于对所述预设特征的初始权重进行优化,以得到针对所述预设特征的目标权重;其中,基于目标权重预测得到的所述初始道路与所述真实初始道路相匹配。
在本申请方案的一具体示例中,所述转移特征确定单元,还用于获取所述t时刻的位置特征信息,以及所述t+1时刻的位置特征信息;将所述t时刻的位置特征信息所关联候选道路的概率值,与所述t+1时刻的位置特征信息所关联的候选道路的概率值进行乘积处理;将乘积处理结果作为所述目标车辆从所述N个时刻中的t时刻至t+1时刻的转移特征信息。
在本申请方案的一具体示例中,所述初始道路确定单元,还用于基于所述位置特征信息以及所述道路转移信息,得到所有转移路径的概率值;基于概率值最大的转移路径所对应的候选道路,确定出所述目标车辆所处的初始道路。
本发明实施例道路定位装置中各单元的功能可以参见上述方法中的对应描述,在此不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或要求的本公开的实现。
如图5所示,电子设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序来执行各种适当的动作和处理。在RAM 503中,还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如道路定位方法。例如,在一些实施例中,道路定位方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的道路定位方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行道路定位方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种道路定位方法,包括:
预测得到相邻N个时刻目标车辆的位置特征信息,其中,所述预测位置特征信息表征当前时刻所述目标车辆处于相关联至少一个候选道路的概率值;所述N为大于等于2的整数;
基于所述N个时刻目标车辆的位置特征信息,得到所述目标车辆从所述N个时刻中的t时刻至t+1时刻的转移特征信息,其中,所述转移特征信息至少表征所述目标车辆从所述t时刻所关联的至少一个候选道路转移至t+1时刻所关联的至少一个候选道路所对应的转移路径的概率值;
基于所述位置特征信息以及所述道路转移信息,从所有所述候选道路中预测得到所述N个时刻所对应时段内所述目标车辆所处的初始道路。
2.根据权利要求1所述的方法,还包括:
基于预测得到的所述初始道路,与所述目标车辆在所述N个时刻所对应时段内的真实初始道路之间的差异特征,对预测得到的所述位置特征信息进行优化处理。
3.根据权利要求2所述的方法,还包括:
获取所述t时刻的所述目标车辆的道路图像信息以及所处的地理位置信息;
基于所述道路图像信息以及所述地理位置信息,预测出所述目标车辆在所述t时刻所关联的至少一个候选道路,以及所述目标车辆处于所关联的候选道路的概率值;
将所述目标车辆在所述t时刻所关联的至少一个候选道路,以及所述目标车辆处于所关联的候选道路的概率值作为所述目标车辆在所述t时刻的位置特征信息,以预测得到N个时刻目标车辆的位置特征信息。
4.根据权利要求2或3所述的方法,还包括:
确定定位所述目标车辆所在道路所需的至少两个预设特征,以及所述预设特征的初始权重;
确定所述预设特征的初始特征值,其中,所述初始特征值是基于所述N个时刻中的t时刻的所述目标车辆的道路图像信息以及所处的地理位置信息而确定的;
基于所述初始权重以及所述初始特征值,得到所述t时刻的所述目标车辆处于相关联的候选道路的概率值,以预测得到所述t时刻的位置特征信息。
5.根据权利要求4所述的方法,所述对预测得到的所述位置特征信息进行优化处理,包括:
对所述预设特征的初始权重进行优化,以得到针对所述预设特征的目标权重;其中,基于目标权重预测得到的所述初始道路与所述真实初始道路相匹配。
6.根据权利要求3所述的方法,其中,所述基于所述N个时刻目标车辆的位置特征信息,得到所述目标车辆从所述N个时刻中的t时刻至t+1时刻的转移特征信息,包括:
获取所述t时刻的位置特征信息,以及所述t+1时刻的位置特征信息;
将所述t时刻的位置特征信息所关联候选道路的概率值,与所述t+1时刻的位置特征信息所关联的候选道路的概率值进行乘积处理;
将乘积处理结果作为所述目标车辆从所述N个时刻中的t时刻至t+1时刻的转移特征信息。
7.根据权利要求3所述的方法,其中,所述基于所述位置特征信息以及所述道路转移信息,从所有所述候选道路中预测得到所述N个时刻所对应时段内所述目标车辆所处的初始道路,包括:
基于所述位置特征信息以及所述道路转移信息,得到所有转移路径的概率值;
基于概率值最大的转移路径所对应的候选道路,确定出所述目标车辆所处的初始道路。
8.一种道路定位装置,包括:
预测单元,用于预测得到相邻N个时刻目标车辆的位置特征信息,其中,所述预测位置特征信息表征当前时刻所述目标车辆处于相关联至少一个候选道路的概率值;所述N为大于等于2的整数;
转移特征确定单元,用于基于所述N个时刻目标车辆的位置特征信息,得到所述目标车辆从所述N个时刻中的t时刻至t+1时刻的转移特征信息,其中,所述转移特征信息至少表征所述目标车辆从所述t时刻所关联的至少一个候选道路转移至t+1时刻所关联的至少一个候选道路所对应的转移路径的概率值;
初始道路确定单元,用于基于所述位置特征信息以及所述道路转移信息,从所有所述候选道路中预测得到所述N个时刻所对应时段内所述目标车辆所处的初始道路。
9.根据权利要求8所述的装置,还包括:
优化单元,用于基于预测得到的所述初始道路,与所述目标车辆在所述N个时刻所对应时段内的真实初始道路之间的差异特征,对预测得到的所述位置特征信息进行优化处理。
10.根据权利要求9所述的装置,其中,所述预测单元,还用于获取所述t时刻的所述目标车辆的道路图像信息以及所处的地理位置信息;基于所述道路图像信息以及所述地理位置信息,预测出所述目标车辆在所述t时刻所关联的至少一个候选道路,以及所述目标车辆处于所关联的候选道路的概率值;将所述目标车辆在所述t时刻所关联的至少一个候选道路,以及所述目标车辆处于所关联的候选道路的概率值作为所述目标车辆在所述t时刻的位置特征信息,以预测得到N个时刻目标车辆的位置特征信息。
11.根据权利要求9或10所述的装置,其中,所述预测单元,还用于确定定位所述目标车辆所在道路所需的至少两个预设特征,以及所述预设特征的初始权重;确定所述预设特征的初始特征值,其中,所述初始特征值是基于所述N个时刻中的t时刻的所述目标车辆的道路图像信息以及所处的地理位置信息而确定的;基于所述初始权重以及所述初始特征值,得到所述t时刻的所述目标车辆处于相关联的候选道路的概率值,以预测得到所述t时刻的位置特征信息。
12.根据权利要求11所述的装置,其中,所述优化单元,还用于对所述预设特征的初始权重进行优化,以得到针对所述预设特征的目标权重;其中,基于目标权重预测得到的所述初始道路与所述真实初始道路相匹配。
13.根据权利要求10所述的装置,其中,所述转移特征确定单元,还用于获取所述t时刻的位置特征信息,以及所述t+1时刻的位置特征信息;将所述t时刻的位置特征信息所关联候选道路的概率值,与所述t+1时刻的位置特征信息所关联的候选道路的概率值进行乘积处理;将乘积处理结果作为所述目标车辆从所述N个时刻中的t时刻至t+1时刻的转移特征信息。
14.根据权利要求10所述的装置,其中,所述初始道路确定单元,还用于基于所述位置特征信息以及所述道路转移信息,得到所有转移路径的概率值;基于概率值最大的转移路径所对应的候选道路,确定出所述目标车辆所处的初始道路。
15.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使计算机执行权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110282157.8A CN112884837B (zh) | 2021-03-16 | 2021-03-16 | 道路定位方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110282157.8A CN112884837B (zh) | 2021-03-16 | 2021-03-16 | 道路定位方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112884837A true CN112884837A (zh) | 2021-06-01 |
CN112884837B CN112884837B (zh) | 2023-06-20 |
Family
ID=76042672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110282157.8A Active CN112884837B (zh) | 2021-03-16 | 2021-03-16 | 道路定位方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884837B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092911A (zh) * | 2021-11-23 | 2022-02-25 | 北京百度网讯科技有限公司 | 一种道路识别方法、装置、电子设备以及存储介质 |
CN114216467A (zh) * | 2021-12-13 | 2022-03-22 | 禾多科技(北京)有限公司 | 道路定位方法、装置、计算机设备和存储介质 |
CN116007638A (zh) * | 2023-03-24 | 2023-04-25 | 北京集度科技有限公司 | 车辆轨迹地图匹配方法、装置、电子设备及车辆 |
CN116086469A (zh) * | 2023-01-16 | 2023-05-09 | 禾多科技(北京)有限公司 | 一种车道定位方法及装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04346022A (ja) * | 1991-05-23 | 1992-12-01 | Alpine Electron Inc | 車載ナビゲータの車両位置検出装置 |
CN104900059A (zh) * | 2015-05-26 | 2015-09-09 | 大连理工大学 | 一种利用隐马尔可夫地图匹配算法增强手机基站定位精度的方法 |
JP2018077162A (ja) * | 2016-11-10 | 2018-05-17 | 株式会社デンソーアイティーラボラトリ | 車両位置検出装置、車両位置検出方法及び車両位置検出用コンピュータプログラム |
US20180247533A1 (en) * | 2016-07-09 | 2018-08-30 | Tencent Technology (Shenzhen) Company Limited | Road condition information transmission method and apparatus, and road condition information obtaining method |
US20190234745A1 (en) * | 2018-02-01 | 2019-08-01 | ThorDrive, Inc. | Method for estimating position of ego vehicle for autonomous driving and autonomous driving apparatus |
WO2019218861A1 (zh) * | 2018-05-14 | 2019-11-21 | 华为技术有限公司 | 一种行车道路的估计方法以及行车道路估计*** |
CN110689719A (zh) * | 2019-05-31 | 2020-01-14 | 北京嘀嘀无限科技发展有限公司 | 用于识别封闭路段的***和方法 |
CN111177285A (zh) * | 2018-11-09 | 2020-05-19 | 厦门雅迅网络股份有限公司 | 一种电子地图精确定位方法、终端设备及存储介质 |
CN111340856A (zh) * | 2018-12-19 | 2020-06-26 | 杭州海康威视***技术有限公司 | 车辆的跟踪方法、装置、设备及存储介质 |
CN111651538A (zh) * | 2020-05-11 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 一种位置映射方法、装置、设备及可读存储介质 |
CN111737379A (zh) * | 2020-04-13 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 道路采集任务的生成、装置、电子设备及可读存储介质 |
CN111858817A (zh) * | 2020-07-23 | 2020-10-30 | 中国石油大学(华东) | 一种用于稀疏轨迹的BiLSTM-CRF路径推断方法 |
WO2020237710A1 (en) * | 2019-05-31 | 2020-12-03 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for route planning |
US20210004012A1 (en) * | 2019-07-05 | 2021-01-07 | Uatc, Llc | Goal-Directed Occupancy Prediction for Autonomous Driving |
-
2021
- 2021-03-16 CN CN202110282157.8A patent/CN112884837B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04346022A (ja) * | 1991-05-23 | 1992-12-01 | Alpine Electron Inc | 車載ナビゲータの車両位置検出装置 |
CN104900059A (zh) * | 2015-05-26 | 2015-09-09 | 大连理工大学 | 一种利用隐马尔可夫地图匹配算法增强手机基站定位精度的方法 |
US20180247533A1 (en) * | 2016-07-09 | 2018-08-30 | Tencent Technology (Shenzhen) Company Limited | Road condition information transmission method and apparatus, and road condition information obtaining method |
JP2018077162A (ja) * | 2016-11-10 | 2018-05-17 | 株式会社デンソーアイティーラボラトリ | 車両位置検出装置、車両位置検出方法及び車両位置検出用コンピュータプログラム |
US20190234745A1 (en) * | 2018-02-01 | 2019-08-01 | ThorDrive, Inc. | Method for estimating position of ego vehicle for autonomous driving and autonomous driving apparatus |
WO2019218861A1 (zh) * | 2018-05-14 | 2019-11-21 | 华为技术有限公司 | 一种行车道路的估计方法以及行车道路估计*** |
CN111177285A (zh) * | 2018-11-09 | 2020-05-19 | 厦门雅迅网络股份有限公司 | 一种电子地图精确定位方法、终端设备及存储介质 |
CN111340856A (zh) * | 2018-12-19 | 2020-06-26 | 杭州海康威视***技术有限公司 | 车辆的跟踪方法、装置、设备及存储介质 |
CN110689719A (zh) * | 2019-05-31 | 2020-01-14 | 北京嘀嘀无限科技发展有限公司 | 用于识别封闭路段的***和方法 |
WO2020237710A1 (en) * | 2019-05-31 | 2020-12-03 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for route planning |
US20210004012A1 (en) * | 2019-07-05 | 2021-01-07 | Uatc, Llc | Goal-Directed Occupancy Prediction for Autonomous Driving |
CN111737379A (zh) * | 2020-04-13 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 道路采集任务的生成、装置、电子设备及可读存储介质 |
CN111651538A (zh) * | 2020-05-11 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 一种位置映射方法、装置、设备及可读存储介质 |
CN111858817A (zh) * | 2020-07-23 | 2020-10-30 | 中国石油大学(华东) | 一种用于稀疏轨迹的BiLSTM-CRF路径推断方法 |
Non-Patent Citations (1)
Title |
---|
姜平;石琴;陈无畏;: "基于马尔科夫的城市道路行驶工况构建方法", 农业机械学报, no. 11, pages 26 - 30 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092911A (zh) * | 2021-11-23 | 2022-02-25 | 北京百度网讯科技有限公司 | 一种道路识别方法、装置、电子设备以及存储介质 |
CN114216467A (zh) * | 2021-12-13 | 2022-03-22 | 禾多科技(北京)有限公司 | 道路定位方法、装置、计算机设备和存储介质 |
CN116086469A (zh) * | 2023-01-16 | 2023-05-09 | 禾多科技(北京)有限公司 | 一种车道定位方法及装置 |
CN116086469B (zh) * | 2023-01-16 | 2023-10-24 | 禾多科技(北京)有限公司 | 一种车道定位方法及装置 |
CN116007638A (zh) * | 2023-03-24 | 2023-04-25 | 北京集度科技有限公司 | 车辆轨迹地图匹配方法、装置、电子设备及车辆 |
CN116007638B (zh) * | 2023-03-24 | 2023-05-30 | 北京集度科技有限公司 | 车辆轨迹地图匹配方法、装置、电子设备及车辆 |
Also Published As
Publication number | Publication date |
---|---|
CN112884837B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112884837A (zh) | 道路定位方法、装置、设备及存储介质 | |
CN112763995B (zh) | 雷达标定方法、装置、电子设备和路侧设备 | |
CN114036253B (zh) | 高精地图数据处理方法、装置、电子设备和介质 | |
CN114626169A (zh) | 交通路网优化方法、装置、设备、可读存储介质及产品 | |
CN114187412B (zh) | 高精地图生成方法、装置、电子设备及存储介质 | |
CN113240175B (zh) | 配送路线的生成方法、设备、存储介质和程序产品 | |
CN113419233A (zh) | 感知效果的测试方法、装置和设备 | |
CN113361710A (zh) | 学生模型训练方法、图片处理方法、装置及电子设备 | |
CN113378694B (zh) | 生成目标检测和定位***及目标检测和定位的方法及装置 | |
CN113932796A (zh) | 高精地图车道线生成方法、装置和电子设备 | |
CN111858817B (zh) | 一种用于稀疏轨迹的BiLSTM-CRF路径推断方法 | |
CN112862183A (zh) | 充电难度的预测方法、模型的训练方法、装置以及设备 | |
CN113326449A (zh) | 预测交通流量的方法、装置、电子设备和介质 | |
CN115687764B (zh) | 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置 | |
CN113836661B (zh) | 时间预测方法、模型训练方法、相关装置及电子设备 | |
CN115077539A (zh) | 一种地图生成方法、装置、设备以及存储介质 | |
CN114842305A (zh) | 深度预测模型训练方法、深度预测方法及相关装置 | |
CN114565170A (zh) | 污染物溯源方法及装置、设备、介质和产品 | |
CN114170300A (zh) | 高精地图点云位姿优化方法、装置、设备及介质 | |
CN113762397A (zh) | 检测模型训练、高精度地图更新方法、设备、介质及产品 | |
CN110033088B (zh) | 估计gps数据的方法和装置 | |
CN111582543A (zh) | 预测模型的生成方法、估计到达时间确定方法及装置 | |
CN117131223A (zh) | 信息处理方法、装置、电子设备及存储介质 | |
CN114998684B (zh) | 地理与视觉跨模态预训练模型的训练方法、定位调整方法 | |
CN113806387A (zh) | 模型训练方法、高精地图变更检测方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |