CN113641734B - 一种数据处理方法、装置、设备及介质 - Google Patents
一种数据处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113641734B CN113641734B CN202110924461.8A CN202110924461A CN113641734B CN 113641734 B CN113641734 B CN 113641734B CN 202110924461 A CN202110924461 A CN 202110924461A CN 113641734 B CN113641734 B CN 113641734B
- Authority
- CN
- China
- Prior art keywords
- data
- track
- mapping
- determining
- obstacle
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 177
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000010586 diagram Methods 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 36
- 238000012800 visualization Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000013519 translation Methods 0.000 claims description 11
- 238000013075 data extraction Methods 0.000 abstract description 8
- 238000000605 extraction Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 7
- 238000002372 labelling Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Computational Linguistics (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开实施例涉及一种数据处理方法、装置、设备及介质,其中该方法包括:获取车辆轨迹数据和全局地图数据,根据车辆轨迹数据在全局地图数据中提取局部路网数据,确定车辆轨迹数据在局部路网数据中车道中心线上的映射轨迹数据,根据映射轨迹数据确定预设区域内的障碍物轨迹数据。采用上述技术方案,根据车辆轨迹数据和全局地图数据中的局部路网数据能够实现障碍物轨迹数据的提取,避免了相关技术中的人工标注,节省了人工,极大提高了数据提取效率。
Description
技术领域
本公开涉及无人驾驶技术领域,尤其涉及一种数据处理方法、装置、设备及介质。
背景技术
在无人驾驶技术中,障碍物的轨迹预测是无人驾驶高智能性决策的重要前提。而障碍物的轨迹预测能力由数据来进行驱动演进。
目前,障碍物的轨迹提取主要集中于图像处理和点云处理领域,从三维图形或视觉的角度去提取障碍物的轨迹。但是上述方式需要逐帧数据或逐张图片进行轨迹的标注,效率往往很低。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种数据处理方法、装置、设备及介质。
本公开实施例提供了一种数据处理方法,该方法包括:
获取车辆轨迹数据和全局地图数据;
根据所述车辆轨迹数据在所述全局地图数据中提取局部路网数据;
确定所述车辆轨迹数据在所述局部路网数据中车道中心线上的映射轨迹数据;
根据所述映射轨迹数据确定预设区域内的障碍物轨迹数据。
在一些实施例中,所述车辆轨迹数据包括多个车辆轨迹点;
根据所述车辆轨迹数据在所述全局地图数据中提取局部路网数据,包括:
提取所述全局地图数据中的至少一个车道中心线;
在所述至少一个车道中心线上,确定与每个车辆轨迹点的距离小于或等于预设距离的至少一个车道中心线段;
将所述多个车辆轨迹点对应的多个所述车道中心线段确定为局部路网数据。
在一些实施例中,所述映射轨迹数据包括多个映射轨迹点,所述车道中心线段包括至少一个单位线段;
确定所述车辆轨迹数据在所述局部路网数据中车道中心线上的映射轨迹数据,包括:
针对每个所述车辆轨迹点,在各所述车道中心线段的至少一个单位线段中确定与所述车辆轨迹点之间距离最近的目标单位线段;
确定所述车辆轨迹点在所述目标单位线段上的映射轨迹点;
将多个所述车辆轨迹点对应的多个所述映射轨迹点确定为所述映射轨迹数据。
在一些实施例中,确定所述车辆轨迹点在所述目标单位线段上的映射轨迹点,包括:
将所述车辆轨迹点沿所述目标单位线段的法向量移动目标距离,得到两个初始映射点,其中,所述目标距离为所述车辆轨迹点与所述目标单位线段之间的距离;
根据所述两个初始映射点和所述目标单位线段,确定目标映射点,并将所述目标映射点确定为所述映射轨迹点。
在一些实施例中,根据所述两个初始映射点和所述目标单位线段,确定目标映射点,包括:
分别确定所述两个初始映射点与所述目标单位线段的两个端点之间形成的三角形的面积,将所述三角形的面积最小的初始映射点确定为所述目标映射点。
在一些实施例中,根据所述映射轨迹数据确定预设区域内的障碍物轨迹数据,包括:
根据所述映射轨迹数据构建预设区域,其中,所述预设区域为平行四边形;
将所述预设区域内的多个障碍物轨迹点确定为所述障碍物轨迹数据。
在一些实施例中,所述平行四边形的两个对边与所述车道中心线平行,所述平行四边形的另外两个对边与所述车道中心线的法向量平行,并且所述映射轨迹数据对应的车道中心线为所述平行四边形的中心线。
在一些实施例中,所述预设区域为预设尺寸的滑窗区域,根据所述映射轨迹数据确定预设区域内的障碍物轨迹数据,包括:
针对所述映射轨迹数据中的每个映射轨迹点,以所述每个映射轨迹点为中心构建所述滑窗区域,将所述滑窗区域内的多个障碍物轨迹点确定为所述障碍物轨迹数据。
在一些实施例中,以所述每个映射轨迹点为中心构建预设尺寸的滑窗区域,包括:
基于所述预设尺寸,在所述每个映射轨迹点处根据所述车道中心线的方向向量和法向量进行点的平移,得到四个滑窗端点;
基于所述四个滑窗端点构建形状为平行四边形的滑窗区域。
在一些实施例中,所述预设尺寸包括所述平行四边形的长和宽的大小。
在一些实施例中,所述方法还包括:
根据所述障碍物轨迹数据确定多个障碍物轨迹点相对于当前车辆所在车道中心线的距离。
在一些实施例中,根据所述障碍物轨迹数据确定多个障碍物轨迹点相对于当前车辆所在车道中心线的距离,包括:
根据所述障碍物轨迹数据依次确定各所述障碍物轨迹点相对于所述预设区域中的目标边界的第一距离,所述目标边界为与所述当前车辆所在车道中心线的方向向量平行的一个边界;
根据所述第一距离和所述预设区域的尺寸,确定各所述障碍物轨迹点相对于所述当前车辆所在车道中心线的第二距离。
在一些实施例中,所述方法还包括:
将所述局部路网数据和所述障碍物轨迹数据进行可视化处理,得到第一位置图和第二位置图,所述第一位置图用于展示所述局部路网数据中的多个车道中心线与所述障碍物轨迹数据对应的障碍物轨迹之间的绝对位置关系,所述第二位置图用于展示所述障碍物轨迹与所述局部路网数据中多个车道之间的相对位置关系;
展示所述第一位置图和所述第二位置图,并根据用户标记操作确定车辆与所述障碍物轨迹的关系类别。
本公开实施例还提供了一种数据处理装置,该装置包括:
数据获取模块,用于获取车辆轨迹数据和全局地图数据;
路网数据模块,用于根据所述车辆轨迹数据在所述全局地图数据中提取局部路网数据;
映射轨迹模块,用于确定所述车辆轨迹数据在所述局部路网数据中车道中心线上的映射轨迹数据;
障碍轨迹模块,用于根据所述映射轨迹数据确定预设区域内的障碍物轨迹数据。
在一些实施例中,所述车辆轨迹数据包括多个车辆轨迹点;所述路网数据模块具体用于:
提取所述全局地图数据中的至少一个车道中心线;
在所述至少一个车道中心线上,确定与每个车辆轨迹点的距离小于或等于预设距离的至少一个车道中心线段;
将所述多个车辆轨迹点对应的多个所述车道中心线段确定为局部路网数据。
在一些实施例中,所述映射轨迹数据包括多个映射轨迹点,所述车道中心线段包括至少一个单位线段;所述映射轨迹模块包括:
线段单元,用于针对每个所述车辆轨迹点,在各所述车道中心线段的至少一个单位线段中确定与所述车辆轨迹点之间距离最近的目标单位线段;
映射单元,用于确定所述车辆轨迹点在所述目标单位线段上的映射轨迹点;
数据单元,用于将多个所述车辆轨迹点对应的多个所述映射轨迹点确定为所述映射轨迹数据。
在一些实施例中,所述映射单元具体用于:
将所述车辆轨迹点沿所述目标单位线段的法向量移动目标距离,得到两个初始映射点,其中,所述目标距离为所述车辆轨迹点与所述目标单位线段之间的距离;
根据所述两个初始映射点和所述目标单位线段,确定目标映射点,并将所述目标映射点确定为所述映射轨迹点。
在一些实施例中,所述映射单元具体用于:
分别确定所述两个初始映射点与所述目标单位线段的两个端点之间形成的三角形的面积,将所述三角形的面积最小的初始映射点确定为所述目标映射点。
在一些实施例中,所述障碍轨迹模块具体用于:
根据所述映射轨迹数据构建预设区域,其中,所述预设区域为平行四边形;
将所述预设区域内的多个障碍物轨迹点确定为所述障碍物轨迹数据。
在一些实施例中,所述平行四边形的两个对边与所述车道中心线平行,所述平行四边形的另外两个对边与所述车道中心线的法向量平行,并且所述映射轨迹数据对应的车道中心线为所述平行四边形的中心线。
在一些实施例中,所述预设区域为预设尺寸的滑窗区域,所述障碍轨迹模块具体用于:
针对所述映射轨迹数据中的每个映射轨迹点,以所述每个映射轨迹点为中心构建所述滑窗区域,将所述滑窗区域内的多个障碍物轨迹点确定为所述障碍物轨迹数据。
在一些实施例中,所述障碍轨迹模块具体用于:
基于所述预设尺寸,在所述每个映射轨迹点处根据所述车道中心线的方向向量和法向量进行点的平移,得到四个滑窗端点;
基于所述四个滑窗端点构建形状为平行四边形的滑窗区域。
在一些实施例中,所述预设尺寸包括所述平行四边形的长和宽的大小。
在一些实施例中,所述装置还包括距离模块,用于:
根据所述障碍物轨迹数据确定多个障碍物轨迹点相对于当前车辆所在车道中心线的距离。
在一些实施例中,所述距离模块具体用于:
根据所述障碍物轨迹数据依次确定各所述障碍物轨迹点相对于所述预设区域中的目标边界的第一距离,所述目标边界为与所述当前车辆所在车道中心线的方向向量平行的一个边界;
根据所述第一距离和所述预设区域的尺寸,确定各所述障碍物轨迹点相对于所述当前车辆所在车道中心线的第二距离。
在一些实施例中,所述装置还包括可视化模块,具体用于:
将所述局部路网数据和所述障碍物轨迹数据进行可视化处理,得到第一位置图和第二位置图,所述第一位置图用于展示所述局部路网数据中的多个车道中心线与所述障碍物轨迹数据对应的障碍物轨迹之间的绝对位置关系,所述第二位置图用于展示所述障碍物轨迹与所述局部路网数据中多个车道之间的相对位置关系;
展示所述第一位置图和所述第二位置图,并根据用户标记操作确定车辆与所述障碍物轨迹的关系类别。
本公开实施例还提供了一种电子设备,该电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现如本公开实施例提供的数据处理方法。
本公开实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行如本公开实施例提供的数据处理方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:本公开实施例提供的数据处理方案,获取车辆轨迹数据和全局地图数据,根据车辆轨迹数据在全局地图数据中提取局部路网数据,确定车辆轨迹数据在局部路网数据中车道中心线上的映射轨迹数据,根据映射轨迹数据确定预设区域内的障碍物轨迹数据。采用上述技术方案,根据车辆轨迹数据和全局地图数据中的局部路网数据能够实现障碍物轨迹数据的提取,避免了相关技术中的人工标注,节省了人工,极大提高了数据提取效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开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简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种数据处理方法的流程示意图;
图2为本公开实施例提供的一种局部路网的示意图;
图3为本公开实施例提供的一种车辆轨迹映射到车道中心线的示意图;
图4为本公开实施例提供的另一种数据处理方法的流程示意图;
图5为本公开实施例提供的一种映射轨迹点确认的示意图;
图6为本公开实施例提供的一种障碍物轨迹提取的示意图;
图7为本公开实施例提供的一种障碍物轨迹与车道中心线之间的位置关系示意图;
图8为本公开实施例提供的一种可视化界面的示意图;
图9为本公开实施例提供的一种数据处理装置的结构示意图;
图10为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
在下面的详细描述中,通过示例阐述了本公开的许多具体细节,以便提供对相关披露的透彻理解。然而,对于本领域的普通技术人员来讲,本公开显而易见的可以在没有这些细节的情况下实施。应当理解的是,本公开中使用“***”、“装置”、“单元”和/或“模块”术语,是用于区分在顺序排列中不同级别的不同部件、元件、部分或组件的一种方法。然而,如果其他表达式可以实现相同的目的,这些术语可以被其他表达式替换。
应当理解的是,当设备、单元或模块被称为“在……上”、“连接到”或“耦合到”另一设备、单元或模块时,其可以直接在另一设备、单元或模块上,连接或耦合到或与其他设备、单元或模块通信,或者可以存在中间设备、单元或模块,除非上下文明确提示例外情形。例如,本公开所使用的术语“和/或”包括一个或多个相关所列条目的任何一个和所有组合。
本公开所用术语仅为了描述特定实施例,而非限制本公开范围。如本公开说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的特征、整体、步骤、操作、元素和/或组件,而该类表述并不构成一个排它性的罗列,其他特征、整体、步骤、操作、元素和/或组件也可以包含在内。
参看下面的说明以及附图,本公开的这些或其他特征和特点、操作方法、结构的相关元素的功能、部分的结合以及制造的经济性可以被更好地理解,其中说明和附图形成了说明书的一部分。然而,可以清楚地理解,附图仅用作说明和描述的目的,并不意在限定本公开的保护范围。可以理解的是,附图并非按比例绘制。
本公开中使用了多种结构图用来说明根据本公开的实施例的各种变形。应当理解的是,前面或下面的结构并不是用来限定本公开。本公开的保护范围以权利要求为准。
无人驾驶的技术演进将越来越依赖数据的闭环利用。在无人驾驶的技术发展过程中,复杂场景带来的技术挑战随之上升,对数据的有效利用也越来越强烈。数据作为无人车智能性提高的最重要方式,也将肩负着决定技术先进性的特殊环节。其中,障碍物的轨迹预测就是无人驾驶高智能性决策的重要前提。无人驾驶***在捕获环境信息后,首先需要对环境信息进行推理,对障碍物的运动进行预测,然后才能够进行最优化智能性决策。然而,无人驾驶对障碍物的运动预测能力本身也是由数据来进行驱动演进。大量数据的学习有利于***更好地学习得到障碍物运动规律的分布。在这样的技术趋势下,对车辆收集的数据进行高效自动化分析提取,对轨迹数据有效性编辑标注将是上述目标得以实现的关键。
目前,障碍物的轨迹提取主要集中于图像处理和点云处理领域,从三维图形或视觉的角度去提取障碍物的轨迹。但是上述方式需要逐帧数据或逐张图片进行轨迹的标注和人工验证,数据抽取和标注的效率往往很低。为了解决上述问题,本公开实施例提供了一种数据处理方法,无人驾驶车辆中的控制模块可以获取车辆轨迹数据和全局地图数据,根据车辆轨迹数据在全局地图数据中提取局部路网数据,确定车辆轨迹数据在局部路网数据中车道中心线上的映射轨迹数据,根据映射轨迹数据确定预设区域内的障碍物轨迹数据,由此可以避免相关技术中的人工标注,节省了人工,极大提高了数据提取效率。下面结合具体的实施例对该方法进行介绍。
图1为本公开实施例提供的一种数据处理方法的流程示意图,该方法可以由数据处理装置执行,其中该装置可以采用软件和/或硬件实现,一般可集成在电子设备中。如图1所示,该方法包括:
步骤101、获取车辆轨迹数据和全局地图数据。
其中,车辆轨迹数据可以是用于表征车辆行驶轨迹的数据,车辆轨迹数据可以包括多个车辆轨迹点,每个车辆轨迹点可以包括一个车辆轨迹点在全局地图中的坐标。全局地图数据可以是当前车辆载入的一个包括全局的多个地图点的地图数据的综合性地图数据,数据量较大。
具体的,数据处理装置针对当前车辆可以获取车辆轨迹数据以及全局地图数据,以备后续数据处理。
步骤102、根据车辆轨迹数据在全局地图数据中提取局部路网数据。
其中,局部路网数据可以是从上述全局地图数据中提取的局部区域的车道中心线段组成的路网数据,数据量较小,仅与车道相关。
在本公开实施例中,根据车辆轨迹数据在全局地图数据中提取局部路网数据,可以包括:提取全局地图数据中的至少一个车道中心线;在至少一个车道中心线上,确定与每个车辆轨迹点的距离小于或等于预设距离的至少一个车道中心线段;将多个车辆轨迹点对应的多个车道中心线段确定为局部路网数据。
数据处理装置在获取车辆轨迹数据和全局地图数据之后,可以先从全局地图数据中提取车道中心线,由于全局地图数据中的车道可以是一个或多个,车道中心线的数量可以为一个或多个;具体地,车辆轨迹数据中可以包括多个车辆轨迹点,针对各车辆轨迹点,可以在每个车道中心线上,判断是否存在与每个车辆轨迹点的距离小于或等于预设距离的车道中心线段,若存在,则将距离小于或等于预设距离的车道中心线段提取出来,由此得到每个车辆轨迹点对应的满足预设距离的至少一个车道中心线段;然后可以将多个车辆轨迹点对应的多个车道中心线段提取出来组合得到局部路网数据。
示例性的,图2为本公开实施例提供的一种局部路网的示意图,如图2所示,图中车辆轨迹201周围的直线表征车道中心线,假设车辆轨迹201的车辆轨迹数据表示为Ai(i=0,Λ,n),预设距离标识为R,局部路网数据的提取过程可以看作是依据车辆轨迹数据Ai(i=0,Λ,n)中的每个车辆轨迹点在车道中心线所在平面分别画一个半径为R的圆,将在这个半径R范围内的至少一个车道中心线段提取出来。例如图中以车辆轨迹点An为中心在车道中心线所在平面画半径为R的圆,得到圆202,圆202与其中一个车道中心线L1可以提取得到车道中心线段a1a2,圆202与其中另一个车道中心线L2可以提取得到车道中心线段b1b2,图中车道中心线为多个,上述两个车道中心线段a1a2和b1b2仅为示例,针对与圆202相交的每个车道中心线均可以提取到对应的一个车道中心线段。
具体过程可以包括:利用折半查找,对距离越来越远的车道中心线直接过滤掉,在每个车道中心线段中,有若干路线点,将该段车道中心线段对半切为两段,再取两段线段中间的点,这样每个车道中心线段中包括中间点就形成了5个点。示例性的,针对图2中的车道中心线段a1a2,将该车道中心线段a1a2对半以中间点a3为中心切为两个线段a1a3和a3a2,之后再分别取两个线段a1a3和a3a2的中间点a4和a5,最终得到5个点a1,a2,a3,a4,a5。针对每个车道中心线段的各点,如果满足||ai-Ai||≤R,(i=1,2,3,4,5),则将该车道中心线段a1a2保存下来,从车辆轨迹数据中车辆轨迹开始的位置直接扫描至轨迹末尾处,提取得到包括范围内的全部车道中心线段的局部路网,可以采用Dq(q=0,Λ,z)表征。
步骤103、确定车辆轨迹数据在局部路网数据中车道中心线上的映射轨迹数据。
其中,映射轨迹数据可以是将车辆轨迹数据中每个车辆轨迹点映射至上述局部路网数据中其所在车道中心线上的映射轨迹点的数据。映射轨迹数据可以包括多个映射轨迹点,每个映射轨迹点可以包括一个映射轨迹点在全局地图中的坐标。
数据处理装置在提取局部路网数据之后,可以将车辆轨迹数据映射到局部路网数据中的车道中心线上,得到多个映射轨迹点,组合得到映射轨迹数据。
示例性的,图3为本公开实施例提供的一种车辆轨迹映射到车道中心线的示意图,如图3所示,图中不规则的曲线为车辆轨迹301,图中虚线为车道中心线302,图中多个箭头表示车辆轨迹301中各车辆轨迹点映射至所在车道中心线302。
图4为本公开实施例提供的另一种数据处理方法的流程示意图,如图4所示,车道中心线段包括至少一个单位线段,确定车辆轨迹数据在局部路网数据中车道中心线上的映射轨迹数据可以包括如下步骤:
步骤401、针对每个车辆轨迹点,在各车道中心线段的至少一个单位线段中确定与车辆轨迹点之间距离最近的目标单位线段。
其中,单位线段可以是车道中心线的最小组成单位,局域路网数据中每个车道中心线段可以由一个或多个单位线段组合而成。
在本公开实施例中,数据处理装置针对每个车辆轨迹点,可以确定该车辆轨迹点与各车道中心线段包括的单位线段的距离,提取距离小于车道宽的一半的多个单位线段,并根据车辆行驶方向提取其中距离最近的单位线段作为目标单位线段。目标单位线段可以为与车辆轨迹点距离最近的单位线段。
步骤402、确定车辆轨迹点在目标单位线段上的映射轨迹点。
其中,映射轨迹点可以是车辆轨迹点映射在其对应的目标单位线段上的轨迹点。
在本公开实施例中,确定车辆轨迹点在目标单位线段上的映射轨迹点,包括:将车辆轨迹点沿目标单位线段的法向量移动目标距离,得到两个初始映射点,其中,目标距离为车辆轨迹点与目标单位线段之间的距离;根据两个初始映射点和目标单位线段,确定目标映射点,并将目标映射点确定为映射轨迹点。
上述目标距离可以是车辆轨迹点到目标单位线段的垂直距离。由于目标单位线段的法向量可以包括两个方向相反的法向量,因此初始映射点的数量为两个。具体的,数据处理装置在确定与车辆轨迹点之间距离最近的目标单位线段之后,可以确定该目标单位线段的法向量,将车辆轨迹点沿上述法向量进行移动,移动的距离等于目标距离,即可得到两个初始映射点;之后可以根据两个初始映射点和目标单位线段之间的位置关系,将两个初始映射点中的一个初始映射点确定为目标映射点,该目标映射点即为映射轨迹点。
在一些实施例中,根据两个初始映射点和目标单位线段,确定目标映射点,可以包括:分别确定两个初始映射点与目标单位线段的两个端点之间形成的三角形的面积,将三角形的面积最小的初始映射点确定为目标映射点。
由于上述目标单位线段的法向量可以包括两个方向相反的法向量,车辆轨迹点在一个法向量的方向上移动之后的初始映射点与目标单位线段的两个端点之间构成的三角形的面积较大,而在另一个方向量的方向上移动之后的初始映射点与目标单位线段的两个端点之间构成的三角形的面积可以趋近于零,因此对于两个初始映射点,可以将三角形面积最小的初始映射点确定为目标映射点。
示例性的,图5为本公开实施例提供的一种映射轨迹点确认的示意图,如图5所示,从局部路网数据中遍历搜索得到的与车辆轨迹点O之间距离最近的目标单位线段为AB,将车辆轨迹点O沿着方向分别为垂直向上和垂直向下的两个法向量移动之后,可以得到两个初始映射点C和D;两个初始映射点C和D与目标单位线段AB的两个端点分别形成三角形ACB和ADB,三角形ACB和ADB的面积是不一样大的,车辆轨迹点映射的正确的结果应该是三个点在同一直线上,此时三个点组成面积应该接近为0,综上,得到上述两个初始映射点C和D时,将构成的三角形面积最小的点作为最终的映射轨迹点,约束方程为min(SΔ)≈0。
步骤403、将多个车辆轨迹点对应的多个映射轨迹点确定为映射轨迹数据。
采用上述步骤401和步骤402的方式,可以依次确定每个车辆轨迹点的映射轨迹点,将多个映射轨迹点组合得到映射轨迹数据。
上述方案中,针对每个车辆轨迹点,基于距离车辆轨迹点最近的目标单位线段的法向量的移动,可以确定车辆轨迹点在目标单位线段上的映射轨迹点,无论车辆轨迹点与目标单位线段之间的位置关系如何,均可以准确得到该映射轨迹点,本方案可以适用于多种场景下的映射轨迹点的确定,保证轨迹点映射的准确性。
步骤104、根据映射轨迹数据确定预设区域内的障碍物轨迹数据。
其中,预设区域可以为预先设置的一个固定大小的具有一定形状的区域,具体尺寸和形状可以根据实际情况设置,本公开实施例以预设区域为平行四边形为例进行说明。
在本公开的一些实施例中,根据映射轨迹数据确定预设区域内的障碍物轨迹数据,可以包括:根据映射轨迹数据构建预设区域,其中,预设区域为平行四边形;将预设区域内的多个障碍物轨迹点确定为障碍物轨迹数据。
数据处理装置在确定映射轨迹数据之后,可以映射轨迹数据对应的映射轨迹为中心构建一个平行四边形的预设区域,该平行四边形的两个对边与车道中心线平行,平行四边形的另外两个对边与车道中心线的法向量平行,并且映射轨迹数据对应的车道中心线为平行四边形的中心线,由此预设区域将映射轨迹数据对应的映射轨迹包围在其中。之后可以将该预设区域内包括的障碍物轨迹点确定为障碍物轨迹数据,具体可以将与上述预设区域的四个端点之间形成的四个三角形的面积之和等于上述预设区域的面积的障碍物轨迹点确定为最终确定目标障碍物轨迹点,多个目标障碍物轨迹点组合得到障碍物轨迹数据。
在本公开的另一些实施例中,预设区域为预设尺寸的滑窗区域,根据映射轨迹数据确定预设区域内的障碍物轨迹数据,可以包括:针对映射轨迹数据中的每个映射轨迹点,以每个映射轨迹点为中心构建滑窗区域,将滑窗区域内的多个障碍物轨迹点确定为障碍物轨迹数据。
预设区域可以为预设尺寸的一个滑窗区域,本实施例以滑窗区域为平行四边形为例,由此预设尺寸包括平行四边形的长和宽的大小,具体大小可以根据实际情况设置。例如滑窗区域对应的平行四边形的长可以是车辆长度加6米,宽可以是1.5倍的车道宽。
具体的,数据处理装置可以针对映射轨迹数据中的每个映射轨迹点,以每个映射轨迹点为中心构建滑窗区域,扫描滑窗区域内的障碍物轨迹点,将各个滑窗区域内的障碍物轨迹点确定为最终确定的目标障碍物轨迹点,组合得到障碍物轨迹数据。
示例性的,图6为本公开实施例提供的一种障碍物轨迹提取的示意图,如图6所示,图中多个平行四边形表示了滑窗区域依次从初始的映射轨迹点滑动到最终的映射轨迹点,进而滑窗区域中的障碍物轨迹点为最终确定的障碍物轨迹点。
可选的,以每个映射轨迹点为中心构建预设尺寸的滑窗区域,包括:基于预设尺寸,在每个映射轨迹点处根据车道中心线的方向向量和法向量进行点的平移,得到四个滑窗端点;基于四个滑窗端点构建形状为平行四边形的滑窗区域。
参见图6,假设预设尺寸中长为l,宽为h,在映射轨迹点Ei处根据方向向量和法向量/>进行点的平移构建四个滑窗端点/>首先将目标映射轨迹点Ei后平移l/2,平移方向为/>然后再平移和h/2,平移方向为/>得到第一个点为/>得到第一个点后,通过平移长度l,平移方向为/>得到第二个点/>第二个点再平移h,根据平移方向得到第三个点/>再从第三个点平移,平移长度为l,平移方向为/>得到最终的第四个点/>之后将四个滑窗端点进行直线连接,得到形状为平行四边形的滑窗区域601。
之后在扫描滑窗区域时,对于其中的障碍轨迹点Oi满足以下方程即为目标障碍物轨迹点,,上述方程等号左边表征障碍轨迹点Oi与四个滑窗端点/>之间的四个三角形的面积之和,等号右边l·h表征滑窗区域的面积。
上述方案中,通过构建两种不同的预设区域均可以提取得到障碍物轨迹数据,提升该障碍物轨迹数据确定的灵活性。
本公开实施例提供的数据处理方案,获取车辆轨迹数据和全局地图数据,根据车辆轨迹数据在全局地图数据中提取局部路网数据,确定车辆轨迹数据在局部路网数据中车道中心线上的映射轨迹数据,根据映射轨迹数据确定预设区域内的障碍物轨迹数据。采用上述技术方案,根据车辆轨迹数据和全局地图数据中的局部路网数据能够实现障碍物轨迹数据的提取,避免了相关技术中的人工标注,节省了人工,大大提高了数据提取效率。
在一些实施例中,数据处理方法还可以包括:根据障碍物轨迹数据确定多个障碍物轨迹点相对于当前车辆所在车道中心线的距离。也即数据处理装置在确定障碍物轨迹数据之后,可以进一步确定障碍物轨迹数据相对于所在车道中心线的位置关系。
可选的,根据障碍物轨迹数据确定多个障碍物轨迹点相对于当前车辆所在车道中心线的距离,可以包括:根据障碍物轨迹数据依次确定各障碍物轨迹点相对于预设区域中的目标边界的第一距离,目标边界为与当前车辆所在车道中心线的方向向量平行的一个边界;根据第一距离和预设区域的尺寸,确定各障碍物轨迹点相对于当前车辆所在车道中心线的第二距离。
其中,目标边界可以理解为预设区域中的一个与当前车辆所在车道中心线平行的边界。具体的,数据处理装置在确定障碍物轨迹数据之后,可以依次确定其中的各个障碍物轨迹点相对于预设区域中目标边界的第一距离,之后当该第一距离大于预设距离,则第二距离为第一距离减去预设距离的差值,上述预设距离为预设区域的宽度的1/2;而当第一距离小于或等于预设距离,则第二距离为预设距离减去第一距离的差值。
示例性的,如图6所示,可以计算在中障碍物轨迹点Oi相对于边/>的高度γ,如果γ>h/2,则该障碍物轨迹点Oi相对当前车辆所在车道中心线的距离为γ-h/2;如果γ<h/2,则距离为h/2-γ。
示例性的,图7为本公开实施例提供的一种障碍物轨迹与车道中心线之间的位置关系示意图,如图7所示,横向坐标轴x表示数据帧号,纵向坐标轴y表示与车道中心线的距离,y=0的直线表示车道中心线,图中实线表示两个车道,虚线表示各个数据帧中障碍物轨迹点相对当前车辆所在车道中心线的距离,虚线中每个点表示一个障碍物轨迹点。
上述方案中,在提取障碍物轨迹数据的基础上,还可以确定各障碍物轨迹点相对于车辆所在车道中心线的距离,进而可以得到障碍物轨迹相对应车道中心线的相对位置关系,有利于无人驾驶***的预测***采用机器学习等人工智能方式,利用采集得到的障碍物轨迹数据和上述相对位置关系作为训练样本进行深度学习模型的训练进而实现障碍物轨迹预测、碰撞预测等等,实现数据的闭环利用。
在一些实施例中,数据处理方法还可以包括:将局部路网数据和障碍物轨迹数据进行可视化处理,得到第一位置图和第二位置图,第一位置图用于展示局部路网数据中的多个车道中心线与障碍物轨迹数据对应的障碍物轨迹之间的绝对位置关系,第二位置图用于展示障碍物轨迹与局部路网数据中多个车道之间的相对位置关系;展示第一位置图和第二位置图,并根据用户标记操作确定车辆与障碍物轨迹的关系类别。
其中,可视化处理可以是采用可视化软件进行的绘图结果,可视化软件可以基于绘图协议进行绘图,绘图协议不限,例如绘图协议可以为web图形库(Web GraphicsLibrary,WebGL)3D绘图协议。
具体的,数据处理装置在获取上述的局部路网数据和障碍物轨迹数据之后,通过网页界面载入可视化软件可以进行可视化处理,得到表示车道中心线与障碍物轨迹之间绝对位置关系的第一位置图和表示障碍物轨迹与多个车道之间相对位置关系的第二位置图,并展示给用户;之后可以基于可视化软件检测用户的操作,根据用户的标记操作确定车辆与障碍物轨迹之间的关系类别,该关系类别可以包括平行关系和横穿关系等,具体不限。并存储该关系类别,以供后续使用。并且基于上述第一位置图和第二位置图可以对上述局部路网数据和障碍物轨迹数据进行校验和重编辑。
示例性的,图8为本公开实施例提供的一种可视化界面的示意图,如图8所示,展示了一个可视化界面800的示意图,图中可视化界面800可以包括三个部分,如图中第一区域801、第二区域802和第三区域803,第一区域801可以展示实际场景中局部路网中车道中心线和障碍物轨迹804的绝对位置关系,如图8,障碍物轨迹804在车道中心线的右侧,并与车道中心线平行;第二区域802可以展示障碍物轨迹805相对于当前车辆所在车道的相对位置关系,与上述图7中类似,不同的是增加了车道的数量,如图中障碍物轨迹805与车道平行;通过将上述第一区域801和第二区域802中展示的内容采用匹配算法进行自动匹配或者人工匹配,即可对上述局部路网数据和障碍物轨迹数据进行校验。
第三区域803可以是用于展示控件拦的区域,可以包括图中的即时载入按钮、调整显示的数据帧范围的两个功能按钮、自定义标注类别功能按钮以及最下方的确认存储的功能按钮,上述调整显示数据帧范围的两个功能按钮可以分别通过移动拖拽从小往大和从大往小选择数据帧的起始点和终止点。通过图8所示的可视化界面可以对上述局部路网数据和障碍物轨迹数据进行关系类别的标注,图中关系类别为平行关系。
相关技术中,人工实现逐帧数据或逐张图片的轨迹获取,不利于开发者对轨迹的形态在短时间内进行快速了解,进而不利于开发者对训练数据的筛选,极大影响工作效率。
上述方案中,通过增加对局部路网数据和障碍物轨迹数据的可视化处理,可以实现自动或人工核验,提高了对源数据的处理效率,并且可以帮助用户对数据进行相应的编辑和标注。
相关技术中,在基于点云或图片的标注操作,一帧一般需要1秒,而本方案基于纯数据的操作,一百帧往往不超过10秒,效率提高了一个数量级本,也即能够实现对批量的数据进行自动化操作,可提高大规模数据的处理效率;即具备数据抽取功能,也兼备数据的标注效果,集数据抽取和数据标注功能可以协助用户更加方便地对数据进行直观了解,同时也有利于用户对数据的有效性进行核查;对离线数据能够进行类别特征的计算,尤其有利于计算相对于地图的特征,可以更好地协助用户选用尝试更多的模型,方便进行特征工程;并且可视化部分具备高可扩展性,适合于任何数据的可视化,有利于将公开数据集进行可视化探查,有利于用户对不同数据集的形态作深入分析,同时,也有利于该工具应用于其它方面,如对车路轨迹的跟踪控制的可视化等。
本公开实施例提供的数据处理方案,充分考虑自动驾驶***的特点,结合障碍物轨迹的特征与地图的绝对相对关系,提出了一种适合于后期离线高效进行机器学习的数据提取与标注方法。该方法将从纯数据的角度去抽取障碍物轨迹,将障碍物轨迹与地图的相对位置关系以及绝对位置关系自动化离线批量提取出来,减少了使用图像和点云标注领域中的人工标注环节,可以实现自动或人工核验,提高了对源数据的处理效率,并且可以帮助用户对数据进行相应的编辑和标注。
图9为本公开实施例提供的一种数据处理装置的结构示意图,该装置可由软件和/或硬件实现,一般可集成在电子设备中。如图9所示,该装置包括:
数据获取模块901,用于获取车辆轨迹数据和全局地图数据;
路网数据模块902,用于根据所述车辆轨迹数据在所述全局地图数据中提取局部路网数据;
映射轨迹模块903,用于确定所述车辆轨迹数据在所述局部路网数据中车道中心线上的映射轨迹数据;
障碍轨迹模块904,用于根据所述映射轨迹数据确定预设区域内的障碍物轨迹数据。
可选的,所述车辆轨迹数据包括多个车辆轨迹点;所述路网数据模块902具体用于:
提取所述全局地图数据中的至少一个车道中心线;
在所述至少一个车道中心线上,确定与每个车辆轨迹点的距离小于或等于预设距离的至少一个车道中心线段;
将所述多个车辆轨迹点对应的多个所述车道中心线段确定为局部路网数据。
可选的,所述映射轨迹数据包括多个映射轨迹点,所述车道中心线段包括至少一个单位线段;所述映射轨迹模块903包括:
线段单元,用于针对每个所述车辆轨迹点,在各所述车道中心线段的至少一个单位线段中确定与所述车辆轨迹点之间距离最近的目标单位线段;
映射单元,用于确定所述车辆轨迹点在所述目标单位线段上的映射轨迹点;
数据单元,用于将多个所述车辆轨迹点对应的多个所述映射轨迹点确定为所述映射轨迹数据。
可选的,所述映射单元具体用于:
将所述车辆轨迹点沿所述目标单位线段的法向量移动目标距离,得到两个初始映射点,其中,所述目标距离为所述车辆轨迹点与所述目标单位线段之间的距离;
根据所述两个初始映射点和所述目标单位线段,确定目标映射点,并将所述目标映射点确定为所述映射轨迹点。
可选的,所述映射单元具体用于:
分别确定所述两个初始映射点与所述目标单位线段的两个端点之间形成的三角形的面积,将所述三角形的面积最小的初始映射点确定为所述目标映射点。
可选的,所述障碍轨迹模块904具体用于:
根据所述映射轨迹数据构建预设区域,其中,所述预设区域为平行四边形;
将所述预设区域内的多个障碍物轨迹点确定为所述障碍物轨迹数据。
可选的,所述平行四边形的两个对边与所述车道中心线平行,所述平行四边形的另外两个对边与所述车道中心线的法向量平行,并且所述映射轨迹数据对应的车道中心线为所述平行四边形的中心线。
可选的,所述预设区域为预设尺寸的滑窗区域,所述障碍轨迹模块904具体用于:
针对所述映射轨迹数据中的每个映射轨迹点,以所述每个映射轨迹点为中心构建所述滑窗区域,将所述滑窗区域内的多个障碍物轨迹点确定为所述障碍物轨迹数据。
可选的,所述障碍轨迹模块904具体用于:
基于所述预设尺寸,在所述每个映射轨迹点处根据所述车道中心线的方向向量和法向量进行点的平移,得到四个滑窗端点;
基于所述四个滑窗端点构建形状为平行四边形的滑窗区域。
可选的,所述预设尺寸包括所述平行四边形的长和宽的大小。
可选的,所述装置还包括距离模块,用于:
根据所述障碍物轨迹数据确定多个障碍物轨迹点相对于当前车辆所在车道中心线的距离。
可选的,所述距离模块具体用于:
根据所述障碍物轨迹数据依次确定各所述障碍物轨迹点相对于所述预设区域中的目标边界的第一距离,所述目标边界为与所述当前车辆所在车道中心线的方向向量平行的一个边界;
根据所述第一距离和所述预设区域的尺寸,确定各所述障碍物轨迹点相对于所述当前车辆所在车道中心线的第二距离。
可选的,所述装置还包括可视化模块,具体用于:
将所述局部路网数据和所述障碍物轨迹数据进行可视化处理,得到第一位置图和第二位置图,所述第一位置图用于展示所述局部路网数据中的多个车道中心线与所述障碍物轨迹数据对应的障碍物轨迹之间的绝对位置关系,所述第二位置图用于展示所述障碍物轨迹与所述局部路网数据中多个车道之间的相对位置关系;
展示所述第一位置图和所述第二位置图,并根据用户标记操作确定车辆与所述障碍物轨迹的关系类别。
本公开实施例所提供的数据处理装置可执行本公开任意实施例所提供的数据处理方法,具备执行方法相应的功能模块和有益效果。
图10为本公开实施例提供的一种电子设备的结构示意图。如图10所示,电子设备1000包括中央处理单元(CPU)1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行前述的实施方式中的各种处理。在RAM1003中,还存储有电子设备1000操作所需的各种程序和数据。CPU1001、ROM1002以及RAM1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地,根据本公开的实施方式,上文描述的方法可以被实现为计算机软件程序。例如,本公开的实施方式包括一种计算机程序产品,其包括有形地包含在及其可读介质上的计算机程序,计算机程序包含用于执行前述障碍物避让方法的程序代码。在这样的实施方式中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。
附图中的流程图和框图,图示了按照本公开各种实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
另外,本公开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可以是上述实施方式中所述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本公开的数据处理方法。
除了上述方法和设备以外,本公开的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本公开实施例所提供的数据处理方法。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (15)
1.一种数据处理方法,其特征在于,包括:
获取车辆轨迹数据和全局地图数据;
根据所述车辆轨迹数据在所述全局地图数据中提取局部路网数据,全局地图数据是当前车辆载入的一个包括全局的多个地图点的地图数据的综合性地图数据;
确定所述车辆轨迹数据在所述局部路网数据中车道中心线上的映射轨迹数据;
根据所述映射轨迹数据确定预设区域内的障碍物轨迹数据;
所述车辆轨迹数据包括多个车辆轨迹点;根据所述车辆轨迹数据在所述全局地图数据中提取局部路网数据,包括:
提取所述全局地图数据中的至少一个车道中心线;
在所述至少一个车道中心线上,确定与每个车辆轨迹点的距离小于或等于预设距离的至少一个车道中心线段;
将所述多个车辆轨迹点对应的多个所述车道中心线段确定为局部路网数据;
确定车辆轨迹数据在局部路网数据中车道中心线上的映射轨迹数据,包括:将车辆轨迹数据映射到局部路网数据中的车道中心线上,得到多个映射轨迹点,组合得到映射轨迹数据,其中,映射轨迹数据是将车辆轨迹数据中每个车辆轨迹点映射至上述局部路网数据中其所在车道中心线上的映射轨迹点的数据。
2.根据权利要求1所述的方法,其特征在于,所述映射轨迹数据包括多个映射轨迹点,所述车道中心线段包括至少一个单位线段;
确定所述车辆轨迹数据在所述局部路网数据中车道中心线上的映射轨迹数据,包括:
针对每个所述车辆轨迹点,在各所述车道中心线段的至少一个单位线段中确定与所述车辆轨迹点之间距离最近的目标单位线段;
确定所述车辆轨迹点在所述目标单位线段上的映射轨迹点;
将多个所述车辆轨迹点对应的多个所述映射轨迹点确定为所述映射轨迹数据。
3.根据权利要求2所述的方法,其特征在于,确定所述车辆轨迹点在所述目标单位线段上的映射轨迹点,包括:
将所述车辆轨迹点沿所述目标单位线段的法向量移动目标距离,得到两个初始映射点,其中,所述目标距离为所述车辆轨迹点与所述目标单位线段之间的距离;
根据所述两个初始映射点和所述目标单位线段,确定目标映射点,并将所述目标映射点确定为所述映射轨迹点。
4.根据权利要求3所述的方法,其特征在于,根据所述两个初始映射点和所述目标单位线段,确定目标映射点,包括:
分别确定所述两个初始映射点与所述目标单位线段的两个端点之间形成的三角形的面积,将所述三角形的面积最小的初始映射点确定为所述目标映射点。
5.根据权利要求1所述的方法,其特征在于,根据所述映射轨迹数据确定预设区域内的障碍物轨迹数据,包括:
根据所述映射轨迹数据构建预设区域,其中,所述预设区域为平行四边形;
将所述预设区域内的多个障碍物轨迹点确定为所述障碍物轨迹数据。
6.根据权利要求5所述的方法,其特征在于,所述平行四边形的两个对边与所述车道中心线平行,所述平行四边形的另外两个对边与所述车道中心线的法向量平行,并且所述映射轨迹数据对应的车道中心线为所述平行四边形的中心线。
7.根据权利要求1所述的方法,其特征在于,所述预设区域为预设尺寸的滑窗区域,根据所述映射轨迹数据确定预设区域内的障碍物轨迹数据,包括:
针对所述映射轨迹数据中的每个映射轨迹点,以所述每个映射轨迹点为中心构建所述滑窗区域,将所述滑窗区域内的多个障碍物轨迹点确定为所述障碍物轨迹数据。
8.根据权利要求7所述的方法,其特征在于,以所述每个映射轨迹点为中心构建预设尺寸的滑窗区域,包括:
基于所述预设尺寸,在所述每个映射轨迹点处根据所述车道中心线的方向向量和法向量进行点的平移,得到四个滑窗端点;
基于所述四个滑窗端点构建形状为平行四边形的滑窗区域。
9.根据权利要求8所述的方法,其特征在于,所述预设尺寸包括所述平行四边形的长和宽的大小。
10.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述障碍物轨迹数据确定多个障碍物轨迹点相对于当前车辆所在车道中心线的距离。
11.根据权利要求10所述的方法,其特征在于,根据所述障碍物轨迹数据确定多个障碍物轨迹点相对于当前车辆所在车道中心线的距离,包括:
根据所述障碍物轨迹数据依次确定各所述障碍物轨迹点相对于所述预设区域中的目标边界的第一距离,所述目标边界为与所述当前车辆所在车道中心线的方向向量平行的一个边界;
根据所述第一距离和所述预设区域的尺寸,确定各所述障碍物轨迹点相对于所述当前车辆所在车道中心线的第二距离。
12.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述局部路网数据和所述障碍物轨迹数据进行可视化处理,得到第一位置图和第二位置图,所述第一位置图用于展示所述局部路网数据中的多个车道中心线与所述障碍物轨迹数据对应的障碍物轨迹之间的绝对位置关系,所述第二位置图用于展示所述障碍物轨迹与所述局部路网数据中多个车道之间的相对位置关系;
展示所述第一位置图和所述第二位置图,并根据用户标记操作确定车辆与所述障碍物轨迹的关系类别。
13.一种数据处理装置,其特征在于,包括:
数据获取模块,用于获取车辆轨迹数据和全局地图数据;
路网数据模块,用于根据所述车辆轨迹数据在所述全局地图数据中提取局部路网数据,全局地图数据是当前车辆载入的一个包括全局的多个地图点的地图数据的综合性地图数据;
映射轨迹模块,用于确定所述车辆轨迹数据在所述局部路网数据中车道中心线上的映射轨迹数据;
障碍轨迹模块,用于根据所述映射轨迹数据确定预设区域内的障碍物轨迹数据;
所述车辆轨迹数据包括多个车辆轨迹点;所述路网数据模块具体用于:提取所述全局地图数据中的至少一个车道中心线;在所述至少一个车道中心线上,确定与每个车辆轨迹点的距离小于或等于预设距离的至少一个车道中心线段;将所述多个车辆轨迹点对应的多个所述车道中心线段确定为局部路网数据;
映射轨迹模块用于:将车辆轨迹数据映射到局部路网数据中的车道中心线上,得到多个映射轨迹点,组合得到映射轨迹数据,其中,映射轨迹数据是将车辆轨迹数据中每个车辆轨迹点映射至上述局部路网数据中其所在车道中心线上的映射轨迹点的数据。
14.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-12中任一所述的数据处理方法。
15.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-12中任一所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110924461.8A CN113641734B (zh) | 2021-08-12 | 2021-08-12 | 一种数据处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110924461.8A CN113641734B (zh) | 2021-08-12 | 2021-08-12 | 一种数据处理方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113641734A CN113641734A (zh) | 2021-11-12 |
CN113641734B true CN113641734B (zh) | 2024-04-05 |
Family
ID=78421112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110924461.8A Active CN113641734B (zh) | 2021-08-12 | 2021-08-12 | 一种数据处理方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113641734B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511827B (zh) * | 2021-11-30 | 2024-04-12 | 重庆长安汽车股份有限公司 | 一种智能辅助驾驶的车云感知闭环处理方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012214829A1 (de) * | 2012-08-21 | 2014-02-27 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Darstellen einer Ausweichtrajektorie zur Kollisionsvermeidung für ein Fahrzeug |
CN108766031A (zh) * | 2018-05-29 | 2018-11-06 | 北京京东金融科技控股有限公司 | 一种检测车道障碍物的方法和装置 |
CN109927719A (zh) * | 2017-12-15 | 2019-06-25 | 百度在线网络技术(北京)有限公司 | 一种基于障碍物轨迹预测的辅助驾驶方法和*** |
CN110275531A (zh) * | 2019-06-21 | 2019-09-24 | 北京三快在线科技有限公司 | 障碍物的轨迹预测方法、装置及无人驾驶设备 |
CN110550029A (zh) * | 2019-08-12 | 2019-12-10 | 华为技术有限公司 | 障碍物避让方法及装置 |
CN111002980A (zh) * | 2019-12-10 | 2020-04-14 | 苏州智加科技有限公司 | 基于深度学习的道路障碍物轨迹预测方法和*** |
CN111422204A (zh) * | 2020-03-24 | 2020-07-17 | 北京京东乾石科技有限公司 | 自动驾驶车辆通行判定方法及相关设备 |
CN111626097A (zh) * | 2020-04-09 | 2020-09-04 | 吉利汽车研究院(宁波)有限公司 | 一种障碍物未来轨迹的预测方法、装置、电子设备及存储介质 |
CN112506225A (zh) * | 2020-12-15 | 2021-03-16 | 广州极飞科技有限公司 | 一种无人机避障方法、装置、无人机和存储介质 |
CN112612287A (zh) * | 2020-12-28 | 2021-04-06 | 清华大学 | 一种自动驾驶汽车局部路径规划***、方法、介质及设备 |
CN113034579A (zh) * | 2021-03-08 | 2021-06-25 | 江苏集萃微纳自动化***与装备技术研究所有限公司 | 一种移动机器人基于激光数据的动态障碍物轨迹预测方法 |
-
2021
- 2021-08-12 CN CN202110924461.8A patent/CN113641734B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012214829A1 (de) * | 2012-08-21 | 2014-02-27 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Darstellen einer Ausweichtrajektorie zur Kollisionsvermeidung für ein Fahrzeug |
CN109927719A (zh) * | 2017-12-15 | 2019-06-25 | 百度在线网络技术(北京)有限公司 | 一种基于障碍物轨迹预测的辅助驾驶方法和*** |
CN108766031A (zh) * | 2018-05-29 | 2018-11-06 | 北京京东金融科技控股有限公司 | 一种检测车道障碍物的方法和装置 |
CN110275531A (zh) * | 2019-06-21 | 2019-09-24 | 北京三快在线科技有限公司 | 障碍物的轨迹预测方法、装置及无人驾驶设备 |
CN110550029A (zh) * | 2019-08-12 | 2019-12-10 | 华为技术有限公司 | 障碍物避让方法及装置 |
CN111002980A (zh) * | 2019-12-10 | 2020-04-14 | 苏州智加科技有限公司 | 基于深度学习的道路障碍物轨迹预测方法和*** |
CN111422204A (zh) * | 2020-03-24 | 2020-07-17 | 北京京东乾石科技有限公司 | 自动驾驶车辆通行判定方法及相关设备 |
CN111626097A (zh) * | 2020-04-09 | 2020-09-04 | 吉利汽车研究院(宁波)有限公司 | 一种障碍物未来轨迹的预测方法、装置、电子设备及存储介质 |
CN112506225A (zh) * | 2020-12-15 | 2021-03-16 | 广州极飞科技有限公司 | 一种无人机避障方法、装置、无人机和存储介质 |
CN112612287A (zh) * | 2020-12-28 | 2021-04-06 | 清华大学 | 一种自动驾驶汽车局部路径规划***、方法、介质及设备 |
CN113034579A (zh) * | 2021-03-08 | 2021-06-25 | 江苏集萃微纳自动化***与装备技术研究所有限公司 | 一种移动机器人基于激光数据的动态障碍物轨迹预测方法 |
Non-Patent Citations (1)
Title |
---|
无人驾驶车辆运动障碍物检测、预测和避撞方法研究;辛煜;《中国博士学位论文全文数据库工程科技Ⅱ辑(月刊)》(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113641734A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11971726B2 (en) | Method of constructing indoor two-dimensional semantic map with wall corner as critical feature based on robot platform | |
CN109993780B (zh) | 一种三维高精度地图生成方法及装置 | |
CN111665842B (zh) | 一种基于语义信息融合的室内slam建图方法及*** | |
CN111874006B (zh) | 路线规划处理方法和装置 | |
Krull et al. | 6-dof model based tracking via object coordinate regression | |
CN110427860B (zh) | 一种车道线识别方法、装置及存储介质 | |
CN111402414A (zh) | 一种点云地图构建方法、装置、设备和存储介质 | |
CN111091038A (zh) | 训练方法、计算机可读介质和检测消失点的方法及装置 | |
CN110705385B (zh) | 一种障碍物角度的检测方法、装置、设备及介质 | |
CN113641734B (zh) | 一种数据处理方法、装置、设备及介质 | |
CN107808524A (zh) | 一种基于无人机的道路交叉口车辆检测方法 | |
CN114494329B (zh) | 用于移动机器人在非平面环境自主探索的导引点选取方法 | |
CN112270278A (zh) | 一种基于关键点的蓝顶房检测方法 | |
CN116977628A (zh) | 一种应用于动态环境的基于多模态语义框架的slam方法及*** | |
CN110517285B (zh) | 基于运动估计me-cnn网络的大场景极小目标跟踪 | |
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 | |
CN114387576A (zh) | 一种车道线识别方法、***、介质、设备及信息处理终端 | |
CN111414907A (zh) | 数据集标注方法、数据集标注装置和计算机可读存储介质 | |
Bellusci et al. | Semantic interpretation of raw survey vehicle sensory data for lane-level HD map generation | |
CN114494323A (zh) | 一种障碍物检测方法、装置、设备及存储介质 | |
CN112800822A (zh) | 利用结构约束和物理约束进行3d自动标记 | |
Ma et al. | Semantic geometric fusion multi-object tracking and lidar odometry in dynamic environment | |
CN109887054B (zh) | 显示地图的方法和装置 | |
CN116576861A (zh) | 一种视觉语言导航方法、***、装置及存储介质 | |
CN113920254B (zh) | 一种基于单目rgb的室内三维重建方法及其*** |
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 |