CN112949609B - 一种车道识别方法、装置、介质和电子设备 - Google Patents
一种车道识别方法、装置、介质和电子设备 Download PDFInfo
- Publication number
- CN112949609B CN112949609B CN202110413035.8A CN202110413035A CN112949609B CN 112949609 B CN112949609 B CN 112949609B CN 202110413035 A CN202110413035 A CN 202110413035A CN 112949609 B CN112949609 B CN 112949609B
- Authority
- CN
- China
- Prior art keywords
- information
- combined
- lane
- line
- linear
- 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 41
- 238000005070 sampling Methods 0.000 claims description 163
- 238000004364 calculation method Methods 0.000 claims description 136
- 238000004590 computer program Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 31
- 238000013473 artificial intelligence Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008447 perception Effects 0.000 description 3
- 230000016776 visual perception Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种车道识别方法、装置、介质和电子设备。本公开从地图车道线的线形信息中获取的组合车道线的线形信息,通过组合车道线的线形信息与感知车道线的线形信息进行匹配,确定所述感知车道线的线形信息的匹配对象。无需检测出感知车道线的属性信息和类型信息,避免了因检测失败造成的信息丢失,提高了匹配的有效性和准确率。
Description
技术领域
本公开涉及人工智能领域,具体而言,涉及一种车道识别方法、装置、介质和电子设备。
背景技术
自动驾驶汽车依靠人工智能、视觉计算、传感器、监控装置和全球定位***协同合作,使汽车控制器能够在没有任何人为主动操作的情况下,自动安全地操作机动车辆。
视觉感知是指人的视觉器官对物体分辨后在头脑中形成的物体信息。而在人工智能领域,视觉感知是对采集图像进行分辨后获得的物体信息。
当自动驾驶汽车行驶在高速公路匝道口时,自动辅助导航驾驶功能的视觉感知输出中,需检测出感知车道线的属性信息和类型信息,并通过三阶的抛物线来表示车道线。进而利用该三阶抛物线进行一系列计算获得该感知车道线与地图车道线的匹配对。然后通过该匹配对获取修改正的横向距离和偏航角,从而校正导航的定位值。但是,在复杂的场景中,上述方法常常无法正确检测出车道线的属性信息和类型信息,也就无法获得感知车道线与地图车道线的匹配关系,从而直接导致汽车定位结果跳变。对匝道较高的误检率,影响了自动驾驶汽车的安全性。
发明内容
本公开的目的在于提供一种车道识别方法、装置、介质和电子设备,能够解决上述提到的至少一个技术问题。具体方案如下:
根据本公开的具体实施方式,第一方面,本公开提供一种车道识别方法,包括:
获取感知车道线的线形信息、数量和地理位置信息;
基于所述地理位置信息获取地图车道线的线形信息,所述地图车道线的线形信息与所述感知车道线的线形信息均为同一种类型坐标系表征的信息;
从所述地图车道线的线形信息中获取各组组合车道线的线形信息,且每组组合车道线的数量与所述感知车道线的数量相同;
将所述感知车道线的线形信息与各组组合车道线的线形信息进行匹配,确定所述感知车道线的线形信息的匹配对象。
可选的,所述将所述感知车道线的线形信息与各组组合车道线的线形信息进行匹配,确定所述感知车道线的线形信息的匹配对象,包括:
获取相互关联的感知采样点信息和各组组合车道线的组合采样点信息,所述感知采样点信息为所述感知车道线的线形信息中采样点的信息,所述组合采样点信息为各组组合车道线的线形信息中采样点的信息;
基于所述感知采样点信息和各组组合车道线的组合采样点信息进行匹配计算,获取对应各组组合车道线的计算结果;
当所述计算结果满足预设匹配条件时,确定对应所述计算结果的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象。
可选的,所述获取相互关联的感知采样点信息和组合采样点信息,包括:
确定所述组合采样点信息的横坐标信息与所述感知采样点信息的横坐标信息相同;
基于所述组合采样点信息的横坐标信息和所述组合车道线的线形信息确定所述组合采样点信息的纵坐标信息;
基于所述感知采样点信息的横坐标信息和所述感知车道线的线形信息确定所述感知采样点信息的纵坐标信息。
可选的,所述获取相互关联的感知采样点信息和组合采样点信息,包括:
确定所述组合采样点信息的纵坐标信息与所述感知采样点信息的纵坐标信息相同;
基于所述组合采样点信息的纵坐标信息和所述组合车道线的线形信息确定所述组合采样点信息的横坐标信息;
基于所述感知采样点信息的纵坐标信息和所述感知车道线的线形信息确定所述感知采样点信息的横坐标信息。
可选的,所述基于所述感知采样点信息和各组组合车道线的组合采样点信息进行匹配计算,获取对应各组组合车道线的计算结果,包括:
基于所述感知采样点信息和各组组合车道线的组合采样点信息计算均方根误差,获取对应各组组合车道线的计算结果。
可选的,所述当所述计算结果满足预设匹配条件时,确定对应所述计算结果的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象,包括:
获取历史上多个有效计算结果,与所述有效计算结果相关联的历史上组合车道线的线形信息被确定为历史上感知车道线的线形信息的匹配对象;
确定所述有效计算结果的平均值为匹配阈值;
当所述计算结果小于所述匹配阈值时,确定对应所述计算结果的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象。
可选的,所述当所述计算结果满足预设匹配条件时,确定对应所述计算结果的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象,包括:
当计算结果为所有计算结果中的最小值时,确定对应所述最小值的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象。
可选的,所述当所述计算结果满足预设匹配条件时,还包括:
确定所述计算结果为有效计算结果。
可选的,所述方法还包括:
当确定所述组合车道线的线形信息为所述感知车道线的线形信息的匹配对象后,对所述感知车道线的线形信息与所述组合车道线的线形信息进行偏航计算,获取偏航值;
基于所述偏航值校正所述地理位置信息。
可选的,所述地图车道线的线形信息与所述感知车道线的线形信息置于同一个坐标系中。
根据本公开的具体实施方式,第二方面,本公开提供一种车道识别装置,包括:
感知信息获取单元,用于获取感知车道线的线形信息、数量和地理位置信息;
地图信息获取单元,用于基于所述地理位置信息获取地图车道线的线形信息,所述地图车道线的线形信息与所述感知车道线的线形信息均为同一种类型坐标系表征的信息;
组合信息获取单元,用于从所述地图车道线的线形信息中获取各组组合车道线的线形信息,且每组组合车道线的数量与所述感知车道线的数量相同;
匹配单元,用于将所述感知车道线的线形信息与各组组合车道线的线形信息进行匹配,确定所述感知车道线的线形信息的匹配对象。
可选的,所述匹配单元,包括:
第一获取子单元,用于获取相互关联的感知采样点信息和各组组合车道线的组合采样点信息,所述感知采样点信息为所述感知车道线的线形信息中采样点的信息,所述组合采样点信息为各组组合车道线的线形信息中采样点的信息;
匹配计算子单元,用于基于所述感知采样点信息和各组组合车道线的组合采样点信息进行匹配计算,获取对应各组组合车道线的计算结果;
对象确定子单元,用于当所述计算结果满足预设匹配条件时,确定对应所述计算结果的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象。
可选的,所述第一获取子单元,包括:
第一确定子单元,用于确定所述组合采样点信息的横坐标信息与所述感知采样点信息的横坐标信息相同;
第二确定子单元,用于基于所述组合采样点信息的横坐标信息和所述组合车道线的线形信息确定所述组合采样点信息的纵坐标信息;
第三确定子单元,用于基于所述感知采样点信息的横坐标信息和所述感知车道线的线形信息确定所述感知采样点信息的纵坐标信息。
可选的,所述第一获取子单元,包括:
纵坐标确定子单元,用于确定所述组合采样点信息的纵坐标信息与所述感知采样点信息的纵坐标信息相同;
第一横坐标确定子单元,用于基于所述组合采样点信息的纵坐标信息和所述组合车道线的线形信息确定所述组合采样点信息的横坐标信息;
第二横坐标确定子单元,用于基于所述感知采样点信息的纵坐标信息和所述感知车道线的线形信息确定所述感知采样点信息的横坐标信息。
可选的,所述匹配计算子单元,包括:
第一结果获取子单元,用于基于所述感知采样点信息和各组组合车道线的组合采样点信息计算均方根误差,获取对应各组组合车道线的计算结果。
可选的,所述对象确定子单元,包括:
第二获取子单元,用于获取历史上多个有效计算结果,与所述有效计算结果相关联的历史上组合车道线的线形信息被确定为历史上感知车道线的线形信息的匹配对象;
阈值获取子单元,用于确定所述有效计算结果的平均值为匹配阈值;
第四确定子单元,用于当所述计算结果小于所述匹配阈值时,确定对应所述计算结果的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象。
可选的,所述对象确定子单元,包括:
第五确定子单元,用于当计算结果为所有计算结果中的最小值时,确定对应所述最小值的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象。
可选的,所述匹配单元,还包括:
第六确定子单元,用于当所述计算结果满足预设匹配条件时,确定所述计算结果为有效计算结果。
可选的,所述装置还包括:
偏航计算单元,用于当确定所述组合车道线的线形信息为所述感知车道线的线形信息的匹配对象后,对所述感知车道线的线形信息与所述组合车道线的线形信息进行偏航计算,获取偏航值;
校正单元,用于基于所述偏航值校正所述地理位置信息。
可选的,所述地图车道线的线形信息与所述感知车道线的线形信息置于同一个坐标系中。
根据本公开的具体实施方式,第三方面,本公开提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如第一方面任一项所述车道识别方法。
根据本公开的具体实施方式,第四方面,本公开提供一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如第一方面任一项所述车道识别方法。
本公开实施例的上述方案与现有技术相比,至少具有以下有益效果:
本公开从地图车道线的线形信息中获取的组合车道线的线形信息,通过组合车道线的线形信息与感知车道线的线形信息进行匹配,确定所述感知车道线的线形信息的匹配对象。无需检测出感知车道线的属性信息和类型信息,避免了因检测失败造成的信息丢失,提高了匹配的有效性和准确率。
附图说明
图1示出了根据本公开实施例的车道识别方法的流程图;
图2示出了根据本公开实施例的车道识别方法中车道线的线形信息;
图3示出了根据本公开实施例的车道识别装置的单元框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
下面结合附图详细说明本公开的可选实施例。
对本公开提供的一些实施例,即一种车道识别方法的实施例。
实施例一
下面结合图1对本公开实施例进行详细说明。
步骤S101,获取感知车道线的线形信息、数量和地理位置信息。
车辆在车道中,通过车前设置的摄像头采集车道图像,在车道图像中包括车道线的影像。感知车道线,可以理解为从车道图像中能够被识别出的车道线影像。在人工智能领域,感知车道线的线形信息用于表征车道图像中的车道线影像。本公开实施例通过与车辆相关的重要的感知车道线的线形信息确定车辆的在道路中的准确位置。
由于车道图像的限制,能够识别出的感知车道线的数量并不等同于车道图像中的车道线影像数量,例如,如图2所示,在车道图像中包括:A1线、B1线、C1线和D1线,B1线和C1线间是车辆行驶的车道,对该车道图像进行视觉感知后,获取的感知车道线仅包括车辆行驶车道两边的B1线和C1线;感知车道线的线形信息也就是B1线的线形信息和C1线的线形信息,因此,感知车道线的数量为2。
通常,利用三阶抛物线表示车道线的线形信息,即:
y=Ax3+Bx2+Cx+D;
其中,A表示为曲率导数;
B表示为曲率;
C表示为偏航角;
D表示为偏移量;
x和y表示所述线性信息的坐标点。
地理位置信息通常是通过卫星定位***(比如,GPS***、北斗***和格洛纳斯***)或移动通讯***获取。
步骤S102,基于所述地理位置信息获取地图车道线的线形信息。
地图信息数据库中保存着地理位置信息与地图车道线的原始线形信息的对应关系。通过地理位置信息能够从地图信息数据库中获取地图车道线的线形信息。地图车道线的线形信息是以地球坐标系表征的信息,而车辆获取的感知车道线的线形信息是以车身坐标系(比如,车身为坐标系原点)表征的信息。为了便于进行匹配,可将地图车道线的线形信息与感知车道线的线形信息均采用同一种类型坐标系表征的信息,进一步地,地图车道线的线形信息与感知车道线的线形信息均地球坐标系表征的信息,或是车身坐标系表征的信息,或是其他坐标系表征的信息,本公开实施例不作限定。
为了便于感知车道线的线形信息与组合车道线的线形信息能够进行匹配,可选的,所述地图车道线的线形信息与所述感知车道线的线形信息置于同一个坐标系中,如图2所示。
步骤S103,从所述地图车道线的线形信息中获取各组组合车道线的线形信息。
每组组合车道线包括多条所述地图车道线的组合,且每组组合车道线的数量与所述感知车道线的数量相同。
例如,如图2所示,地图车道线包括4条线:A2线、B2线、C2线和D2线;如果感知车道线包括2条线:B1线和C1线,则从地图车道线中能够获得6组由2条地图车道线组成的组合车道线:A2线和B2线、A2线和C2线、A2线和D2线、B2线和C2线、B2线和D2线、C2线和D2线。
本公开实施例的目的就是要从多组组合车道线的线形信息中获得与感知车道线的线形信息匹配的一组组合车道线的线形信息。可以理解为,车辆行驶的车道线与该组组合车道线匹配。
步骤S104,将所述感知车道线的线形信息与各组组合车道线的线形信息进行匹配,确定所述感知车道线的线形信息的匹配对象。
本公开实施例从地图车道线的线形信息中获取的组合车道线的线形信息,通过组合车道线的线形信息与感知车道线的线形信息进行匹配,确定所述感知车道线的线形信息的匹配对象。无需检测出感知车道线的属性信息和类型信息,避免了因检测失败造成的信息丢失,提高了匹配的有效性和准确率。
实施例二
由于本公开实施例是基于实施例一进行进一步优化,基于相同方法以及相同名称含义的解释与实施例一相同,此处不再赘述。
步骤S111,获取感知车道线的线形信息、数量和地理位置信息。
步骤S112,基于所述地理位置信息获取地图车道线的线形信息。
所述地图车道线的线形信息与所述感知车道线的线形信息均为同一种类型坐标系表征的信息。
可选的,所述地图车道线的线形信息与所述感知车道线的线形信息置于同一个坐标系中。
步骤S113,从所述地图车道线的线形信息中获取各组组合车道线的线形信息。
每组组合车道线包括多条所述地图车道线的组合,且每组组合车道线的数量与所述感知车道线的数量相同;
步骤S114,获取相互关联的感知采样点信息和各组组合车道线的组合采样点信息。
所述感知采样点信息为所述感知车道线的线形信息中的采样点信息,所述组合采样点信息为各组组合车道线的线形信息中的采样点信息。
相互关联的感知采样点信息和各组组合车道线的组合采样点信息,可以理解为,在每组组合车道线的线形信息上获取n个组合采样点信息,则在感知车道线的线形信息存在n个与组合采样点信息成对出现的、相互关联的感知采样点信息。同样的,在感知车道线的线形信息上获取n个感知采样点信息,则在每组组合车道线的线形信息存在n个与感知采样点信息成对出现的、相互关联的组合采样点信息。
例如,如图2所示,地图车道线包括4条线:A2线、B2线、C2线和D2线;如果感知车道线包括2条线:B1线和C1线,则从地图车道线中能够获得6组由2条地图车道线组成的组合车道线:A2线和B2线、A2线和C2线、A2线和D2线、B2线和C2线、B2线和D2线、C2线和D2线;其中,一组组合车道线B2线和C2线,其B2线的组合采样点信息为(x1,y1)点,在感知车道线B1线中与(x1,y1)点成对出现的、相互关联的感知采样点信息为(x1,y2)点,两个采样点信息具有相同的x轴坐标;通过上述方法能够获取对应每组组合车道线的相互关联的感知采样点信息和组合采样点信息。
在任一组组合车道线上,获取组合采样点信息越多,也就意味着与其相互关联的感知采样点信息也越多,从而匹配的准确性越高。
出于对步骤S114的相似性考虑,本公开仅以其中一组作出具体实施例加以说明,所述获取相互关联的感知采样点信息和组合采样点信息,包括以下步骤:
步骤S114a-1,确定所述组合采样点信息的横坐标信息与所述感知采样点信息的横坐标信息相同。
例如,如图2所示,组合采样点信息的横坐标信息与感知采样点信息的横坐标信息均为x1。
步骤S114a-2,基于所述组合采样点信息的横坐标信息和所述组合车道线的线形信息确定所述组合采样点信息的纵坐标信息。
例如,如图2所示,继续上述例子,组合车道线的线形信息表示为:
y1=A1x1 3+B1x1 2+C1x1+D1;
其中,A1表示为组合车道线的线形信息中的曲率导数;
B1表示为组合车道线的线形信息中的曲率;
C1表示为组合车道线的线形信息中的偏航角;
D1表示为组合车道线的线形信息中的偏移量;
x1和y1表示组合车道线的线性信息的坐标点;
将所述组合采样点信息的横坐标信息x1带入组合车道线的线形信息公式,获取所述组合采样点信息的纵坐标信息y1。
步骤S114a-3,基于所述感知采样点信息的横坐标信息和所述感知车道线的线形信息确定所述感知采样点信息的纵坐标信息。
例如,如图2所示,继续上述例子,感知车道线的线形信息表示为:
y1=A2x1 3+B2x1 2+C2x1+D2;
其中,A2表示为感知车道线的线形信息中的曲率导数;
B2表示为感知车道线的线形信息中的曲率;
C2表示为感知车道线的线形信息中的偏航角;
D2表示为感知车道线的线形信息中的偏移量;
x2和y2表示感知车道线的线性信息的坐标点;
将所述感知采样点信息的横坐标信息x2带入感知车道线的线形信息公式,获取所述感知采样点信息的纵坐标信息y2。
或者,在另一个具体实施例中,所述获取相互关联的感知采样点信息和组合采样点信息,包括以下步骤:
步骤S114b-1,确定所述组合采样点信息的纵坐标信息与所述感知采样点信息的纵坐标信息相同。
步骤S114b-2,基于所述组合采样点信息的纵坐标信息和所述组合车道线的线形信息确定所述组合采样点信息的横坐标信息。
步骤S114b-3,基于所述感知采样点信息的纵坐标信息和所述感知车道线的线形信息确定所述感知采样点信息的横坐标信息。
通过上述具体实施例能够获取对应任意一组组合车道线的的感知采样点信息和组合采样点信息。
步骤S115,基于所述感知采样点信息和各组组合车道线的组合采样点信息进行匹配计算,获取对应各组组合车道线的计算结果。
具体地,包括以下步骤:
步骤S115-1,基于所述感知采样点信息和各组组合车道线的组合采样点信息计算均方根误差,获取对应各组组合车道线的计算结果。
均方根误差(英文全称Root Mean Square Error,简称RMSE)亦称标准误差,其定义为:i=1,2,3,……n。在有限测量次数中,均方根误差常用下公式表示:
其中:n表示为对应每组组合车道线的成对出现的、相互关联的感知采样点信息和组合采样点信息的数量;
di表示为对应每组组合车道线的相互关联的感知采样点信息和组合采样点信息的偏差;
RMSE表示对应每组组合车道线的计算结果。
如果均方根误差统计分布是正态分布,则随机误差落在±σ以内的概率为68%。
步骤S116,当所述计算结果满足预设匹配条件时,确定对应所述计算结果的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象。
在一个具体实施例中,所述当所述计算结果满足预设匹配条件时,确定对应所述计算结果的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象,包括以下步骤:
步骤S116b-1,当计算结果为所有计算结果中的最小值时,确定对应所述最小值的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象。
也就是将感知车道线的线形信息与所有组合车道线的线形信息进行匹配,分别获取计算结果,与所有计算结果中的最小值相关的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象。
例如,上述实施例一中感知车道线为B1线和C1线;组合车道线为:A2线和B2线、A2线和C2线、A2线和D2线、B2线和C2线、B2线和D2线、C2线和D2线,对应组合车道线的均方根误差计算结果分别为:0.25、0.36、0.29、0.21、0.35、0.37;0.21为所有计算结果中的最小值,则与0.21相关的组合车道线B2线和C2线的线形信息为感知车道线B1线和C1线的线形信息的匹配对象。
本具体实施需要获取所有组合车道线的线形信息的匹配计算结果,进而在所有计算结果中找到最小值,从而通过所述最小值确定所述感知车道线的线形信息的匹配对象。
在另一个具体实施例中,所述当所述计算结果满足预设匹配条件时,确定所述组合车道线的线形信息为所述感知车道线的线形信息的匹配对象,包括以下步骤:
步骤S116a-1,获取历史上多个有效计算结果。
有效计算结果,是指历史上的计算结果,与该计算结果相关联的组合车道线的线形信息被确定为感知车道线的线形信息的匹配对象。
可选的,历史上预设取值数量的有效计算结果选择本次匹配计算前生成的预设取值数量的有效计算结果。
步骤S116a-2,确定所述有效计算结果的平均值为匹配阈值。
所述匹配阈值,也就是预设取值数量的有效计算结果的平均值。预设取值数量可以包括历史上对匝道的有效计算结果的数量,也可以包括历史上对任意车道的有效计算结果的数量,该有效计算结果在时间上可以是连续的,也可以是按照预设规律选取。
步骤S116a-3,当所述计算结果小于所述匹配阈值时,确定对应所述计算结果的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象。
本具体实施例无需获取所有组合车道线的线形信息的匹配计算结果,只要计算结果小于匹配阈值,便可确定所述感知车道线的线形信息的匹配对象。从而减少了计算量,提高了匹配效率。
为了下次匹配计算能够获取新的有效计算结果,可选的,在所述当所述计算结果满足预设匹配条件时,还包括:
步骤S117,确定所述计算结果为有效计算结果。
本公开实施例通过相互关联的感知采样点信息和组合采样点信息进行匹配计算,通过计算结果确定所述组合车道线的线形信息是否为所述感知车道线的线形信息的匹配对象。简化了匹配算法,提高了匹配效率。
实施例三
由于本公开实施例是基于实施例一和实施例二进行进一步优化,基于相同方法以及相同名称含义的解释与实施例一相同,此处不再赘述。
在实施例一和实施例二后,所述方法还包括以下步骤:
步骤S121,当确定所述组合车道线的线形信息为所述感知车道线的线形信息的匹配对象后,对所述感知车道线的线形信息与所述组合车道线的线形信息进行偏航计算,获取偏航值。
所述偏航计算包括迭代最近点(英文全称Iterative Closest Point,简称ICP)。ICP用于计算机视觉中深度图像的精确拼合,通过不断迭代最小化源数据与目标数据对应点来实现精确地拼合。具体地,ICP根据某种几何特性对数据进行匹配,并设这些匹配点为假想的对应点,然后根据这种对应关系求解运动参数。再利用这些运动参数对数据进行变换。并利用同一几何特征,确定新的对应关系。
偏航值包括横向距离Y和偏航角。
横向距离,表示感知车道线的线形信息与所述组合车道线的线形信息在水平方向上的偏离距离。
偏航角,表示感知车道线的线形信息与所述组合车道线的线形信息在水平方向上的偏离角度。
对所述感知车道线的线形信息与所述组合车道线的线形信息进行ICP计算。例如,一组感知采样点信息pi(xi,yi),与其匹配的一组组合采样点信息qj(xj,yj),其中,i和j均为1,2,……,N(N为正整数);通过两组采样点进行ICP计算,则pi(xi,yi)与qj(xj,yj)间的欧氏距离表示为:
为了找到感知采样点信息pi(xi,yi)和组合采样点信息qj(xj,yj)的转换矩阵R和平移矩阵T,对于
qj=R×pi+T+Ni;
利用最小二乘法球解最优解:
因此,获得E最小时的R和T。T是一个1×2的矩阵,T中的第二行的值为横向距离Y。R是一个2×2的矩阵,R中所有值的和为偏航角。
步骤S122,基于所述偏航值校正所述地理位置信息。
当获得感知车道线的线形信息与所述组合车道线的线形信息的横向距离Y和偏航角后,通过横向距离Y和偏航角能够计算出地图车道线的线形信息的误差值,因而,能够对上述实施例中的地理位置信息进行校正。从而避免了定位结果跳变,保证了定位的准确性和鲁棒性。
与本公开提供的如上实施例相对应,本公开还提供了一种车道识别装置。本公开还提供了与上述实施例承接的装置实施例,用于实现如上实施例所述的方法步骤,基于相同的名称含义的解释与如上实施例相同,具有与如上实施例相同的技术效果,此处不再赘述。
图3示出了本公开提供的一种车道识别装置的实施例。
如图3所示,本公开提供一种车道识别装置300,包括:
感知信息获取单元301,用于获取感知车道线的线形信息、数量和地理位置信息;
地图信息获取单元302,用于基于所述地理位置信息获取地图车道线的线形信息,所述地图车道线的线形信息与所述感知车道线的线形信息均为同一种类型坐标系表征的信息;
组合信息获取单元303,用于从所述地图车道线的线形信息中获取各组组合车道线的线形信息,且每组组合车道线的数量与所述感知车道线的数量相同;
匹配单元304,用于将所述感知车道线的线形信息与各组组合车道线的线形信息进行匹配,确定所述感知车道线的线形信息的匹配对象。
可选的,所述匹配单元304,包括:
第一获取子单元,用于获取相互关联的感知采样点信息和各组组合车道线的组合采样点信息,所述感知采样点信息为所述感知车道线的线形信息中采样点的信息,所述组合采样点信息为各组组合车道线的线形信息中采样点的信息;
匹配计算子单元,用于基于所述感知采样点信息和各组组合车道线的组合采样点信息进行匹配计算,获取对应各组组合车道线的计算结果;
对象确定子单元,用于当所述计算结果满足预设匹配条件时,确定对应所述计算结果的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象。
可选的,所述第一获取子单元,包括:
第一确定子单元,用于确定所述组合采样点信息的横坐标信息与所述感知采样点信息的横坐标信息相同;
第二确定子单元,用于基于所述组合采样点信息的横坐标信息和所述组合车道线的线形信息确定所述组合采样点信息的纵坐标信息;
第三确定子单元,用于基于所述感知采样点信息的横坐标信息和所述感知车道线的线形信息确定所述感知采样点信息的纵坐标信息。
可选的,所述第一获取子单元,包括:
纵坐标确定子单元,用于确定所述组合采样点信息的纵坐标信息与所述感知采样点信息的纵坐标信息相同;
第一横坐标确定子单元,用于基于所述组合采样点信息的纵坐标信息和所述组合车道线的线形信息确定所述组合采样点信息的横坐标信息;
第二横坐标确定子单元,用于基于所述感知采样点信息的纵坐标信息和所述感知车道线的线形信息确定所述感知采样点信息的横坐标信息。
可选的,所述匹配计算子单元,包括:
第一结果获取子单元,用于基于所述感知采样点信息和各组组合车道线的组合采样点信息计算均方根误差,获取对应各组组合车道线的计算结果。
可选的,所述对象确定子单元,包括:
第二获取子单元,用于获取历史上多个有效计算结果,与所述有效计算结果相关联的历史上组合车道线的线形信息被确定为历史上感知车道线的线形信息的匹配对象;
阈值获取子单元,用于确定所述有效计算结果的平均值为匹配阈值;
第四确定子单元,用于当所述计算结果小于所述匹配阈值时,确定对应所述计算结果的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象。
可选的,所述对象确定子单元,包括:
第五确定子单元,用于当计算结果为所有计算结果中的最小值时,确定对应所述最小值的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象。
可选的,所述匹配单元304,还包括:
第六确定子单元,用于当所述计算结果满足预设匹配条件时,确定所述计算结果为有效计算结果。
可选的,所述装置还包括:
偏航计算单元,用于当确定所述组合车道线的线形信息为所述感知车道线的线形信息的匹配对象后,对所述感知车道线的线形信息与所述组合车道线的线形信息进行偏航计算,获取偏航值;
校正单元,用于基于所述偏航值校正所述地理位置信息。
可选的,所述地图车道线的线形信息与所述感知车道线的线形信息置于同一个坐标系中。
本公开从地图车道线的线形信息中获取的组合车道线的线形信息,通过组合车道线的线形信息与感知车道线的线形信息进行匹配,确定所述感知车道线的线形信息的匹配对象。无需检测出感知车道线的属性信息和类型信息,避免了因检测失败造成的信息丢失,提高了匹配的有效性和准确率。
本公开实施例提供了一些实施例,即一种电子设备,该设备用于车道识别方法,所述电子设备,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如上实施例所述车道识别方法。
本公开实施例提供了一些实施例,即一种车道识别的数据处理计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行如上实施例中所述车道识别方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (13)
1.一种车道识别方法,其特征在于,包括:
获取感知车道线的线形信息、数量和地理位置信息;
基于所述地理位置信息获取地图车道线的线形信息,所述地图车道线的线形信息与所述感知车道线的线形信息均为同一种类型坐标系表征的信息;
从所述地图车道线的线形信息中获取各组组合车道线的线形信息,且每组组合车道线的数量与所述感知车道线的数量相同;
将所述感知车道线的线形信息与各组组合车道线的线形信息进行匹配,确定所述感知车道线的线形信息的匹配对象;
所述将所述感知车道线的线形信息与各组组合车道线的线形信息进行匹配,确定所述感知车道线的线形信息的匹配对象,包括:
获取相互关联的感知采样点信息和各组组合车道线的组合采样点信息,所述感知采样点信息为所述感知车道线的线形信息中采样点的信息,所述组合采样点信息为各组组合车道线的线形信息中采样点的信息;
基于所述感知采样点信息和各组组合车道线的组合采样点信息进行匹配计算,获取对应各组组合车道线的计算结果;
当所述计算结果满足预设匹配条件时,确定对应所述计算结果的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象;
所述获取相互关联的感知采样点信息和组合采样点信息,包括:
确定所述组合采样点信息的横坐标信息、纵坐标信息与所述感知采样点信息的横坐标信息、纵坐标信息相同;
基于所述组合车道线的线形信息以及所述组合采样点信息的横坐标信息或纵坐标信息,分别确定所述组合采样点信息的纵坐标信息或横坐标信息;
基于所述感知车道线的线形信息以及所述感知采样点信息的横坐标信息或纵坐标信息,分别确定所述感知采样点信息的纵坐标信息或横坐标信息。
2.根据权利要求1所述的方法,其特征在于,所述基于所述感知采样点信息和各组组合车道线的组合采样点信息进行匹配计算,获取对应各组组合车道线的计算结果,包括:
基于所述感知采样点信息和各组组合车道线的组合采样点信息计算均方根误差,获取对应各组组合车道线的计算结果。
3.根据权利要求1所述的方法,其特征在于,所述当所述计算结果满足预设匹配条件时,确定对应所述计算结果的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象,包括:
获取历史上多个有效计算结果,与所述有效计算结果相关联的历史上组合车道线的线形信息被确定为历史上感知车道线的线形信息的匹配对象;
确定所述有效计算结果的平均值为匹配阈值;
当所述计算结果小于所述匹配阈值时,确定对应所述计算结果的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象。
4.根据权利要求1所述的方法,其特征在于,所述当所述计算结果满足预设匹配条件时,确定对应所述计算结果的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象,包括:
当计算结果为所有计算结果中的最小值时,确定对应所述最小值的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象。
5.根据权利要求1所述的方法,其特征在于,所述当所述计算结果满足预设匹配条件时,还包括:
确定所述计算结果为有效计算结果。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当确定所述组合车道线的线形信息为所述感知车道线的线形信息的匹配对象后,对所述感知车道线的线形信息与所述组合车道线的线形信息进行偏航计算,获取偏航值;
基于所述偏航值校正所述地理位置信息。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述地图车道线的线形信息与所述感知车道线的线形信息置于同一个坐标系中。
8.一种车道识别装置,其特征在于,包括:
感知信息获取单元,用于获取感知车道线的线形信息、数量和地理位置信息;
地图信息获取单元,用于基于所述地理位置信息获取地图车道线的线形信息,所述地图车道线的线形信息与所述感知车道线的线形信息均为同一种类型坐标系表征的信息;
组合信息获取单元,用于从所述地图车道线的线形信息中获取各组组合车道线的线形信息,且每组组合车道线的数量与所述感知车道线的数量相同;
匹配单元,用于将所述感知车道线的线形信息与各组组合车道线的线形信息进行匹配,确定所述感知车道线的线形信息的匹配对象;
所述匹配单元,包括:
第一获取子单元,用于获取相互关联的感知采样点信息和各组组合车道线的组合采样点信息,所述感知采样点信息为所述感知车道线的线形信息中采样点的信息,所述组合采样点信息为各组组合车道线的线形信息中采样点的信息;
匹配计算子单元,用于基于所述感知采样点信息和各组组合车道线的组合采样点信息进行匹配计算,获取对应各组组合车道线的计算结果;
对象确定子单元,用于当所述计算结果满足预设匹配条件时,确定对应所述计算结果的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象;
所述第一获取子单元,包括:
第一确定子单元,用于确定所述组合采样点信息的横坐标信息、纵坐标信息与所述感知采样点信息的横坐标信息、纵坐标信息相同;
第二确定子单元,用于基于所述组合车道线的线形信息以及所述组合采样点信息的横坐标信息或纵坐标信息,分别确定所述组合采样点信息的纵坐标信息或横坐标信息;
第三确定子单元,用于基于所述感知车道线的线形信息以及所述感知采样点信息的横坐标信息或纵坐标信息,分别确定所述感知采样点信息的纵坐标信息或横坐标信息。
9.根据权利要求8所述的装置,其特征在于,所述匹配计算子单元,包括:
第一结果获取子单元,用于基于所述感知采样点信息和各组组合车道线的组合采样点信息计算均方根误差,获取对应各组组合车道线的计算结果。
10.根据权利要求8所述的装置,其特征在于,所述对象确定子单元,包括:
第二获取子单元,用于获取历史上多个有效计算结果,与所述有效计算结果相关联的历史上组合车道线的线形信息被确定为历史上感知车道线的线形信息的匹配对象;
阈值获取子单元,用于确定所述有效计算结果的平均值为匹配阈值;
第四确定子单元,用于当所述计算结果小于所述匹配阈值时,确定对应所述计算结果的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象。
11.根据权利要求8所述的装置,其特征在于,所述对象确定子单元,包括:
第五确定子单元,用于当计算结果为所有计算结果中的最小值时,确定对应所述最小值的组合车道线的线形信息为所述感知车道线的线形信息的匹配对象。
12.一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,所述程序被处理器执行时实现如权利要求1至7中任一项所述方法。
13.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至7中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110413035.8A CN112949609B (zh) | 2021-04-16 | 2021-04-16 | 一种车道识别方法、装置、介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110413035.8A CN112949609B (zh) | 2021-04-16 | 2021-04-16 | 一种车道识别方法、装置、介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949609A CN112949609A (zh) | 2021-06-11 |
CN112949609B true CN112949609B (zh) | 2024-05-28 |
Family
ID=76232863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110413035.8A Active CN112949609B (zh) | 2021-04-16 | 2021-04-16 | 一种车道识别方法、装置、介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949609B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115147789B (zh) * | 2022-06-16 | 2023-04-18 | 禾多科技(北京)有限公司 | 分合流道路信息检测方法、装置、设备和计算机可读介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105444770A (zh) * | 2015-12-18 | 2016-03-30 | 上海交通大学 | 基于智能手机的车道级别地图生成和定位***及方法 |
CN107643086A (zh) * | 2016-07-22 | 2018-01-30 | 北京四维图新科技股份有限公司 | 一种车辆定位方法、装置及*** |
CN110567480A (zh) * | 2019-09-12 | 2019-12-13 | 北京百度网讯科技有限公司 | 车辆定位的优化方法、装置、设备及存储介质 |
CN111380538A (zh) * | 2018-12-28 | 2020-07-07 | 沈阳美行科技有限公司 | 一种车辆定位方法、导航方法及相关装置 |
CN111932887A (zh) * | 2020-08-17 | 2020-11-13 | 武汉四维图新科技有限公司 | 车道级轨迹数据的生成方法及设备 |
CN112166059A (zh) * | 2018-05-25 | 2021-01-01 | Sk电信有限公司 | 车辆的位置估计装置、车辆的位置估计方法以及存储被编程为执行该方法的计算机程序的计算机可读记录介质 |
CN112560680A (zh) * | 2020-12-16 | 2021-03-26 | 北京百度网讯科技有限公司 | 车道线处理方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10896334B2 (en) * | 2018-11-28 | 2021-01-19 | Here Global B.V. | Method and system of a machine learning model for detection of physical dividers |
-
2021
- 2021-04-16 CN CN202110413035.8A patent/CN112949609B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105444770A (zh) * | 2015-12-18 | 2016-03-30 | 上海交通大学 | 基于智能手机的车道级别地图生成和定位***及方法 |
CN107643086A (zh) * | 2016-07-22 | 2018-01-30 | 北京四维图新科技股份有限公司 | 一种车辆定位方法、装置及*** |
CN112166059A (zh) * | 2018-05-25 | 2021-01-01 | Sk电信有限公司 | 车辆的位置估计装置、车辆的位置估计方法以及存储被编程为执行该方法的计算机程序的计算机可读记录介质 |
CN111380538A (zh) * | 2018-12-28 | 2020-07-07 | 沈阳美行科技有限公司 | 一种车辆定位方法、导航方法及相关装置 |
CN110567480A (zh) * | 2019-09-12 | 2019-12-13 | 北京百度网讯科技有限公司 | 车辆定位的优化方法、装置、设备及存储介质 |
CN111932887A (zh) * | 2020-08-17 | 2020-11-13 | 武汉四维图新科技有限公司 | 车道级轨迹数据的生成方法及设备 |
CN112560680A (zh) * | 2020-12-16 | 2021-03-26 | 北京百度网讯科技有限公司 | 车道线处理方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
Map matching for vehicle localization based on serial LiDAR sensors;Schlichting A等;《2019 IEEE Intelligent Transportation Systems Conference (ITSC)》;20191231;1257-1262 * |
基于粒子滤波的行车轨迹路网匹配方法;郑诗晨等;《地球信息科学学报》;20201231;第22卷(第11期);2109-2117 * |
基于视觉与地图的车道信息检测方法;欧科君;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20190715(第7期);C035-154 * |
Also Published As
Publication number | Publication date |
---|---|
CN112949609A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3637371B1 (en) | Map data correcting method and device | |
EP3517997A1 (en) | Method and system for detecting obstacles by autonomous vehicles in real-time | |
CN112017251B (zh) | 标定方法、装置、路侧设备和计算机可读存储介质 | |
US10909395B2 (en) | Object detection apparatus | |
EP3023913A1 (en) | Crack data collection method and crack data collection program | |
KR102103944B1 (ko) | 모노카메라를 이용한 자율주행 차량의 거리 및 위치 추정 방법 | |
WO2018180338A1 (ja) | 情報処理装置、サーバ装置、制御方法、プログラム及び記憶媒体 | |
EP3690814A1 (en) | Lane recognition device | |
US20220398854A1 (en) | Lane line determination method and system, vehicle, and storage medium | |
US20220042823A1 (en) | Apparatus and method for updating detailed map | |
CN112466147B (zh) | 一种基于多传感器的库位检测方法及相关装置 | |
JP2020026985A (ja) | 車両位置推定装置及びプログラム | |
CN112949609B (zh) | 一种车道识别方法、装置、介质和电子设备 | |
CN113984039A (zh) | 运动轨迹的校正方法、装置、***和存储介质 | |
KR20180127567A (ko) | 무인항공기 영상 자동 기하보정을 위한 처리시스템 | |
KR102100047B1 (ko) | 차선 끝점 검출 알고리즘을 이용한 차량 위치 인식 시스템 및 상기 차선 끝점 검출 알고리즘의 성능을 평가하는 방법 | |
CN112633035A (zh) | 一种基于无人驾驶车辆的车道线坐标真值获取方法及装置 | |
CN114067556B (zh) | 环境感知方法、装置、服务器和可读存储介质 | |
WO2021063756A1 (en) | Improved trajectory estimation based on ground truth | |
US11477371B2 (en) | Partial image generating device, storage medium storing computer program for partial image generation and partial image generating method | |
CN115773747A (zh) | 一种高精度地图生成方法、装置、设备及存储介质 | |
CN115661589A (zh) | 评测融合感知算法的方法、装置、存储介质及车辆 | |
CN115507752A (zh) | 基于平行环境元素的单目视觉测距方法和*** | |
CN114761998A (zh) | 通过神经网络的自适应学习从图像确定深度的方法及其*** | |
EP4296711A1 (en) | Automatic extrinsic calibration and calibration validation of different sensor modalities, e.g camera, radar and lidar sensors |
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 |