CN114495489A - 一种路口车道拓扑连接关系生成方法 - Google Patents
一种路口车道拓扑连接关系生成方法 Download PDFInfo
- Publication number
- CN114495489A CN114495489A CN202111662498.4A CN202111662498A CN114495489A CN 114495489 A CN114495489 A CN 114495489A CN 202111662498 A CN202111662498 A CN 202111662498A CN 114495489 A CN114495489 A CN 114495489A
- Authority
- CN
- China
- Prior art keywords
- lane
- road section
- intersection
- calculating
- list
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Databases & Information Systems (AREA)
- Analytical Chemistry (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种路口车道拓扑连接关系生成方法,涉及道路交通技术领域,通过收集车辆轨迹数据,对数据统计分析,自动得到所有拓扑连接和其出现概率,可以选出其中出现概率比较高的拓扑连接作为地图上的车道连接线生成的依据,充分考虑了人类驾驶员的驾驶习惯,比机械地使用简单的固定规则去生成车道拓扑更加合理,可以让其他交通参与者比较容易地预测当前车辆的意图和路线,有利于安全驾驶,减少交通事故,提高路口通行效率。
Description
技术领域
本发明涉及道路交通技术领域,特别是涉及一种路口车道拓扑连接关系生成方法。
背景技术
高精地图是目前无人驾驶技术的必备环节,而车道数据是高精地图的核心内容,车辆通常需要沿着高精地图车道中心线数据给定的一连串坐标点作为预定轨迹进行自动行驶,所以车道中心线不仅需要在曲率上平滑,而且拓扑关系需要合理。且在路口处,由于没有明确的地面标线来对拓扑关系进行确定,通常需要人工判断并对车道拓扑关系进行添加和生成,由于路口拓扑关系复杂,人工生成的效率非常低,而且判断的规则比较模糊,不同人的判断方法不一致,容易造成数据质量不一致,而如果统一设定固定的规则,可以保证数据质量一致,但是又会出现很多拓扑关系不太合理,导致实际行驶的时候,不利于安全、平稳、高效地进行车辆行驶。即在路口处,为了让车辆行驶得更加平稳和安全,车道中心线不仅应该符合交通法规和曲率连续的要求,还应该尽量符合人类的驾驶习惯,这样便于其他交通参与者更好地当前车辆的意图和路线进行预测,减少不必要的交通事故,提高通行效率。
目前,路口拓扑关系主要通过地面箭头标记,然后设计一些简单的拓扑连接规则来进行自动计算,或者人工地手动逐条添加路口拓扑关系。部分技术使用到车辆轨迹信息进行聚类,但主要是用于生成普通车道,并不是用于生成路口内部的拓扑关系,且只是对轨迹所在路口内部车道连接关系进行生成。通过地面箭头标记来对路口拓扑关系进行确定,其缺点是很多小路口或者特殊路口没有地面箭头标记,或者缺少部分地面箭头标记,这时就无法确定车道拓扑。而通过人为设定一些固定的规则来生成路口车道拓扑,有部分车道拓扑并不合理,实际行驶中出现的概率比较低,这样生成车道连接线之后,车辆沿着这些连接线行驶的时候,其他交通参与者难以对当前车辆的意图进行预测,容易引发交通事故。
发明内容
本发明针对上述技术问题,克服现有技术的缺点,提供一种路口车道拓扑连接关系生成方法,包括以下步骤:
一、路口车道形态参数化
对每个路口,根据车道方向,确定车道是进入还是离开该路口,将车道分为驶出车道和驶入车道,将同一个车道方向且左右相邻、并排在一起的车道构成路段,然后分为驶出路段和驶入路段;
对每个路口生成车道拓扑关系的时候,依次对每个驶出路段到所有驶入路段之间的拓扑关系进行计算,确定每个车道之间是否应该生成拓扑连接,对所有驶出路段计算完成之后,则整个路口内部的所有拓扑连接得以确定;
二、计算单个驶出路段与驶入路段之间的关系
对某个驶出路段,从驶出路段开始,在路口中沿着逆时针方向或者顺时针方向,依次找到所有的驶入路段,得到一个列表,设为驶入路段列表;
对于已知驶出路段和驶入路段列表,对参数做归一化处理;
依次计算路口中所有驶出路段与对应的驶入路段列表之间的车道拓扑连接,得到整个路口所有车道拓扑连接;
三、收集路口车辆轨迹信息,转换为车道拓扑连接信息,统计每个车道拓扑连接出现的次数,并计算其概率
对于某个路口,收集车辆轨迹信息,得到车辆轨迹信息之后,计算每个轨迹进入路口点和离开路口点,根据坐标分别计算这2个点属于哪条车道,从而得到当前轨迹对应的车道拓扑连接;
对同一个路口做大量的轨迹收集之后,统计每个车道拓扑连接出现的次数,然后对于同一个驶出车道计算其所有车道拓扑连接的次数作为总数,计算其中每个车道拓扑连接出现的概率,即每个车道拓扑连接的次数除以对应的总数;
四、方法一:对数据集进行参数离散化,在数据集中直接查询出需要的结果,经过处理和数据收集之后,对任意未知路口进行结果计算;
方法二:使用数据集对神经网络模型进行训练,使用训练后的神经网络模型计算出需要的结果,经过处理和数据收集之后,对任意未知路口进行结果计算。
本发明进一步限定的技术方案是:
前所述的一种路口车道拓扑连接关系生成方法,对驶出路段进行参数化的方法是:
对当前驶出路段中所有车道的车道边线,取其终点,进行直线拟合,得到的直线,其角度设定为车道从左到右的方向,与x轴正方向作为0度方向,之间的夹角,设为v0,作为驶出路段的横向角度;
计算这条直线与最左侧车道边线延长线之间的交点,设定为P0(x0,y0),作为驶出路段的参考点;
计算所有车道边线在终点处的方向角,即对每条边线,计算终点前一点与终点之间构成的角度,然后对得到的所有方向角取平均值,作为驶出路段的纵向角度h0;
计算车道方向列表,设定车道方向值:用0表示没有方向,1表示直行,2表示左转,4表示右转,8表示掉头,可以对多个方向计算复合值,对每个车道根据地面标线和道路标识情况设定一个车道方向值,然后得到当前整个驶出路段的车道方向列表{t0,t1,t2,...};
计算车道类型列表,设定车道类型值:用0表示未知类型,1表示机动车道,2表示非机动车道,4表示公交专用道,可以设定复合值,对每个车道根据实际情况设定一个车道类型值,然后得到当前整个驶出路段的车道方向列表{c0,c1,c2,...};
计算车道宽度列表,对每个车道计算其终点处的车道宽度值,设为w,单位为米,然后得到当前整个驶出路段的车道宽度列表{w0,w1,w2,...}。
前所述的一种路口车道拓扑连接关系生成方法,对驶入路段进行参数化的方法是:
计算驶入路段的横向角度v1,方法与上述驶出路段中v0计算方法相似,不同是取所有车道起点进行直线拟合,得到直线;
计算驶入路段的参考点P1,方法与上述驶出路段中P0相同;
计算驶入路段的纵向角度h1,方法与上述驶入路段中h1计算方法相似,不同是计算起点处的角度,然后求平均值;
计算车道方向列表,驶入路段的车道方向统一都设置为0,即没有方向;
计算车道类型列表,同上述驶出路段;
计算车道宽度列表,同上述驶出路段中相似,不同的是计算起点处的车道宽度。
前所述的一种路口车道拓扑连接关系生成方法,归一化的方法是:对驶出路段,将P0平移到坐标原点(0,0),将v0旋转到0度,对h0做同样的旋转,然后对驶入路段列表中所有的参考点做同样的平移,对所有的横向角度和纵向角度做同样的旋转,所有角度的范围设定为0到360度,或者-180度到180度。
前所述的一种路口车道拓扑连接关系生成方法,进入路口点和离开路口点的计算方法是:计算轨迹与第1步中拟合得到的横向直线之间的交点,同时计算所有车道边线与该横向直线之间的交点,再计算轨迹交点与车道边线交点之间的关系,计算其在哪两个车道边线交点之间,即属于哪个车道。
前所述的一种路口车道拓扑连接关系生成方法,车辆轨迹信息有两种收集方法:①车辆自身装备有定位装置,包括卫星定位接收器、陀螺仪、加速度计、轮速计、摄像头、激光雷达在内的多种传感器,帮助进行自身定位,得到自身的车辆轨迹信息,将不同车辆的轨迹收集到一起,然后已知当前路口的坐标范围,计算哪些段轨迹是在当前路口中,得到每个路口对应的车辆轨迹信息;②通过车辆上装备的传感器进行移动测量,或者通过路边单元上装备的传感器进行固定测量,传感器包括摄像头、激光雷达、毫米波雷达,对道路上其他车辆的轨迹信息进行计算,并收集到一起,然后计算每个路口对应的车辆轨迹信息。
前所述的一种路口车道拓扑连接关系生成方法,方法一:对数据集进行参数离散化,在数据集中直接查询出需要的结果,经过处理和数据收集之后,下面对任意未知路口进行结果计算:
对路口车道形态参数化结果进行离散化;
对大量不同路口收集数据构成的路口数据集,用对应的离散化参数构建所有(驶出路段,驶入路段列表),然后统计完全相同的(驶出路段,驶入路段列表)对应的所有车道拓扑连接出现的总次数,计算其中每个车道拓扑连接出现的总概率;
设定概率阈值T,对数据集中车道拓扑连接的概率值小于T的,删除该车道拓扑连接,然后更新数据集,得到新的离散化输入参数(驶出路段,驶入路段列表)与输出参数之间的对应关系表;
对任意未知路口,对该路口用同样的方式计算得到每个(驶出路段,驶入路段列表),并对其做同样的参数离散化,然后去数据集中去匹配完全相同的输入参数对应的输出参数,即可直接得到车道拓扑关系列表,然后制作地图的时候直接根据得到的车道拓扑关系对路口内部的车道连接线进行自动生成;对输入参数进行匹配的时候,如果数据集中匹配不到完全相同的输入参数,可以通过输入参数距离值计算模块,计算数据集中与当前输入参数距离值最小的数据对应的输出参数作为结果;
输入参数距离值计算模块,即计算两个(驶出路段,驶入路段列表)之间的距离d,假设为(驶出路段1,驶入路段列表1)和(驶出路段2,驶入路段列表2),设定一个固定的规则,分别比较驶出路段1与驶出路段2之间的差别和驶入路段列表1与驶入路段列表2之间的差别,并对差别进行量化,将两个值加到一起得到距离值;
方法二:使用数据集对神经网络模型进行训练,使用训练后的神经网络模型计算出需要的结果,经过处理和数据收集之后,下面对任意未知路口进行结果计算:
根据得到的(驶出路段,驶入路段列表)作为输入参数,对应的车道拓扑关系列表{车道拓扑连接1,车道拓扑连接2,车道拓扑连接3,...}和概率值{p1,p2,p3,...}作为输出参数,构建训练数据集,使用神经网络模型,用数据集对神经网络模型进行训练,得到训练后的神经网络模型;
对任意未知路口,做同样的参数化计算,得到输入参数(驶出路段,驶入路段列表),输入到神经网络模型中去,即可从模型得到输出值:车道拓扑关系列表{车道拓扑连接1,车道拓扑连接2,车道拓扑连接3,...}和概率值{p1,p2,p3,...};
设定概率阈值T,对输出结果中车道拓扑连接的概率值小于T的,删除该车道拓扑连接,剩下的结果即是最终的车道拓扑关系列表,然后制作地图的时候直接根据得到的车道拓扑关系对路口内部的车道连接线进行自动生成。
前所述的一种路口车道拓扑连接关系生成方法,离散化方法为:对每个(驶出路段,驶入路段列表)中的参数,参数中的所有横向角度v、纵向角度h、参考点P(x,y)、车道宽度w,对这4种参数进行离散化,对它们分别设定统一的离散化步长step_v,step_h,step_xy,step_w,然后分别得到5个整数值,即离散化横向角度V=四舍五入取整(v/step_v),离散化纵向角度H=四舍五入取整(h/step_h),离散化参考点坐标X=四舍五入取整(x/step_xy),Y=四舍五入取整(y/step_xy),离散化车道宽度W=四舍五入取整(w/step_w)。
前所述的一种路口车道拓扑连接关系生成方法,方法一中的固定的规则是,先比较驶入路段列表1和驶入路段列表2内部的路段数目,如果数目相等,则做一一对应,再逐对做两个路段之间的比较,计算差距,并进行量化。
前所述的一种路口车道拓扑连接关系生成方法,对于驶出路段或者驶入路段中某些车道宽度值过大时,人工设定一定规则进行车道分割;或者通过收集到的当前位置历史轨迹信息进行聚类,判断是否对当前车道进行分割,并确定分割比例。
前所述的一种路口车道拓扑连接关系生成方法,对于一些小路口或者小岔口,没有明显标线或者标识来确定当前路段的方向,这时,通过调取当前位置车辆历史轨迹信息进行判断,如果当前位置没有车辆历史轨迹信息,则无法判断,可以认为当前路段是双向的。
本发明的有益效果是:
(1)本发明通过收集车辆轨迹数据,对数据统计分析,自动得到所有拓扑连接和其出现概率,可以选出其中出现概率比较高的拓扑连接作为地图上的车道连接线生成的依据,充分考虑了人类驾驶员的驾驶习惯,比机械地使用简单的固定规则去生成车道拓扑更加合理,可以让其他交通参与者比较容易地预测当前车辆的意图和路线,有利于安全驾驶,减少交通事故,提高路口通行效率;
(2)本发明通过收集车辆轨迹数据,经过一系列处理之后,构建路口数据集,不仅可以对轨迹所在路口的拓扑关系进行生成,也可以对未知路口的拓扑关系进行生成,可以自动构建路口车道连接关系,大大提高了在路口处地图车道连接线数据制作效率,且这样制作出的路口处车道更加合理;
(3)本发明对任意未知路口都可以得到所有拓扑关系及其出现概率,当其他车辆出现在路口附近时,可以使用本方法得到的结果对其未来的轨迹进行预测,得到多条可能的轨迹及其概率,便于自车对其他车辆的意图进行自动的提前预判,便于自车在路口的顺利行驶,可以有效提高自车的通行效率和行驶的安全性。
附图说明
图1为计算单个驶出路段和所有驶入路段之间的关系;
图2为驶出路段的参数化;
图3为驶入路段的参数化;
图4为对路口车道形态进行参数化之后两种拓扑关系生成方法。
具体实施方式
本实施例提供的一种路口车道拓扑连接关系生成方法,包括以下步骤:
一、路口车道形态参数化
对每个路口,根据车道方向,确定车道是进入还是离开该路口,将车道分为驶出车道和驶入车道,将同一个车道方向且左右相邻、并排在一起的车道构成路段,然后分为驶出路段和驶入路段;
对每个路口生成车道拓扑关系的时候,依次对每个驶出路段到所有驶入路段之间的拓扑关系进行计算,确定每个车道之间是否应该生成拓扑连接,对所有驶出路段计算完成之后,则整个路口内部的所有拓扑连接得以确定。
对驶出路段进行参数化的方法是:
对当前驶出路段中所有车道的车道边线,取其终点,进行直线拟合(直线拟合算法可以使用最小二乘法等拟合算法),得到的直线,其角度设定为车道从左到右的方向,与x轴正方向作为0度方向,之间的夹角,设为v0,作为驶出路段的横向角度;
计算这条直线与最左侧车道边线延长线之间的交点,设定为P0(x0,y0),作为驶出路段的参考点;
计算所有车道边线在终点处的方向角,即对每条边线,计算终点前一点与终点之间构成的角度,然后对得到的所有方向角取平均值,作为驶出路段的纵向角度h0;
计算车道方向列表,设定车道方向值:用0表示没有方向,1表示直行,2表示左转,4表示右转,8表示掉头,可以对多个方向计算复合值,比如10表示这条车道可以左转和掉头,比如11表示这条车道可以直行、左转和掉头对每个车道根据地面标线和道路标识情况设定一个车道方向值,然后得到当前整个驶出路段的车道方向列表{t0,t1,t2,...},以图2为例,则是{10,1,4};
计算车道类型列表,设定车道类型值:用0表示未知类型,1表示机动车道,2表示非机动车道,4表示公交专用道(后面还可以增加其他任意类型,用2的n次方作为值)同样,可以设定复合值,比如3表示机动车和非机动车共用车道。对每个车道根据实际情况设定一个车道类型值,然后得到当前整个驶出路段的车道方向列表{c0,c1,c2,...},以图2为例,则是{1,1,1};
计算车道宽度列表,对每个车道计算其终点处的车道宽度值,设为w,单位为米,然后得到当前整个驶出路段的车道宽度列表{w0,w1,w2,...},以图2为例,则是{3.30,3.40,3.30}。
对驶入路段进行参数化的方法是:
计算驶入路段的横向角度v1,方法与上述驶出路段中v0计算方法相似,不同是取所有车道起点进行直线拟合,得到直线;
计算驶入路段的参考点P1,方法与上述驶出路段中P0相同;
计算驶入路段的纵向角度h1,方法与上述驶入路段中h1计算方法相似,不同是计算起点处的角度,然后求平均值;
计算车道方向列表,驶入路段的车道方向统一都设置为0,即没有方向,以图3为例,则是{0,0,0};
计算车道类型列表,同上述驶出路段;
计算车道宽度列表,同上述驶出路段中相似,不同的是计算起点处的车道宽度。
二、计算单个驶出路段与驶入路段之间的关系
对某个驶出路段,从驶出路段开始,在路口中沿着逆时针方向或者顺时针方向,依次找到所有的驶入路段,得到一个列表,设为驶入路段列表;
对于已知驶出路段和驶入路段列表,对参数做归一化处理,归一化的方法是,对驶出路段,将P0平移到坐标原点(0,0),将v0旋转到0度,对h0做同样的旋转,然后对驶入路段列表中所有的参考点做同样的平移,对所有的横向角度和纵向角度做同样的旋转,所有角度的范围设定为0到360度,或者-180度到180度;
依次计算路口中所有驶出路段与对应的驶入路段列表之间的车道拓扑连接,得到整个路口所有车道拓扑连接;假设单个驶出路段和驶入路段列表的车道拓扑连接计算结果是车道拓扑连接列表{车道拓扑连接0,车道拓扑连接1,车道拓扑连接2,...},一个车道拓扑连接的内容为(驶出车道序号,驶入路段序号,驶入车道序号),驶出车道序号为驶出路段中从最左边开始第几个车道,值从0开始,驶入路段序号表示驶入路段列表中第几个驶入路段,值从0开始,驶入车道序号表示驶入路段中从最左边开始第几个车道,值从0开始;
三、收集路口车辆轨迹信息,转换为车道拓扑连接信息,统计每个车道拓扑连接出现的次数,并计算其概率
对于某个路口,收集车辆轨迹信息,有两种方法;①是车辆自身装备有定位装置,包括卫星定位接收器、陀螺仪、加速度计、轮速计、摄像头、激光雷达在内的多种传感器,帮助进行自身定位,得到自身的车辆轨迹信息,将不同车辆的轨迹收集到一起,然后已知当前路口的坐标范围,计算哪些段轨迹是在当前路口中,得到每个路口对应的车辆轨迹信息;②是通过车辆上装备的传感器进行移动测量,或者通过路边单元上装备的传感器进行固定测量,传感器包括摄像头、激光雷达、毫米波雷达,对道路上其他车辆的轨迹信息进行计算,并收集到一起,然后计算每个路口对应的车辆轨迹信息;
得到车辆轨迹信息之后,计算每个轨迹进入路口点和离开路口点,根据坐标分别计算这2个点属于哪条车道,从而得到当前轨迹对应的车道拓扑连接;进入路口点和离开路口点的计算方法是,计算轨迹与第1步中拟合得到的横向直线之间的交点,同时计算所有车道边线与该横向直线之间的交点,再计算轨迹交点与车道边线交点之间的关系,计算其在哪两个车道边线交点之间,即属于哪个车道;
对同一个路口做大量的轨迹收集之后,统计每个车道拓扑连接出现的次数,然后对于同一个驶出车道计算其所有车道拓扑连接的次数作为总数,计算其中每个车道拓扑连接出现的概率,即每个车道拓扑连接的次数除以对应的总数;
四、方法一:对数据集进行参数离散化,在数据集中直接查询出需要的结果,经过处理和数据收集之后,下面对任意未知路口进行结果计算:
对路口车道形态参数化结果进行离散化,离散化方法为:对每个(驶出路段,驶入路段列表)中的参数,参数中的所有横向角度v、纵向角度h、参考点P(x,y)、车道宽度w,对这4种参数进行离散化,对它们分别设定统一的离散化步长step_v,step_h,step_xy,step_w,然后分别得到5个整数值,即离散化横向角度V=四舍五入取整(v/step_v),离散化纵向角度H=四舍五入取整(h/step_h),离散化参考点坐标X=四舍五入取整(x/step_xy),Y=四舍五入取整(y/step_xy),离散化车道宽度W=四舍五入取整(w/step_w);
对大量不同路口收集数据构成的路口数据集,用对应的离散化参数构建所有(驶出路段,驶入路段列表),然后统计完全相同的(驶出路段,驶入路段列表)对应的所有车道拓扑连接出现的总次数,计算其中每个车道拓扑连接出现的总概率;
设定概率阈值T,比如T=0.05,即5%,对数据集中车道拓扑连接的概率值小于T的,删除该车道拓扑连接,然后更新数据集,得到新的离散化输入参数(驶出路段,驶入路段列表)与输出参数(车道拓扑关系列表)之间的对应关系表;
对任意未知路口,对该路口用同样的方式计算得到每个(驶出路段,驶入路段列表),并对其做同样的参数离散化,然后去数据集中去匹配完全相同的输入参数对应的输出参数,即可直接得到车道拓扑关系列表,然后制作地图的时候直接根据得到的车道拓扑关系对路口内部的车道连接线进行自动生成;对输入参数进行匹配的时候,如果数据集中匹配不到完全相同的输入参数,可以通过输入参数距离值计算模块,计算数据集中与当前输入参数距离值最小的数据对应的输出参数作为结果;
输入参数距离值计算模块,即计算两个(驶出路段,驶入路段列表)之间的距离d,假设为(驶出路段1,驶入路段列表1)和(驶出路段2,驶入路段列表2),设定一个固定的规则,比如,如果驶入路段列表1和驶入路段列表2中驶入路段数量不相等则d=1000,如果数量相等,再按顺序一一配对比较他们两者内部的驶入路段1和驶入路段2之间的距离,最小值为0,最大值为100,比如车道数目不相等则距离为100,如果车道数目相等,再按顺序一一配对比较他们两者内部车道1和车道2之间的距离,最小值为0,最大值为10,再对车道内部的属性值进行距离计算,对每个属性值同样设定距离最小值和最大值,然后分别进行计算,最终得到总体的距离d;对驶出路段1和驶出路段2之间的距离计算,与两个驶入路段之间的距离计算方法同理。
(2)方法二:使用数据集对神经网络模型进行训练,使用训练后的神经网络模型计算出需要的结果,经过处理和数据收集之后,下面对任意未知路口进行结果计算:
根据得到的(驶出路段,驶入路段列表)作为输入参数,对应的车道拓扑关系列表{车道拓扑连接1,车道拓扑连接2,车道拓扑连接3,...}和概率值{p1,p2,p3,...}作为输出参数,构建训练数据集,使用神经网络模型,用数据集对神经网络模型进行训练,得到训练后的神经网络模型;
对任意未知路口,做同样的参数化计算,得到输入参数(驶出路段,驶入路段列表),输入到神经网络模型中去,即可从模型得到输出值:车道拓扑关系列表{车道拓扑连接1,车道拓扑连接2,车道拓扑连接3,...}和概率值{p1,p2,p3,...};
设定概率阈值T,比如T=0.05,即5%,对输出结果中车道拓扑连接的概率值小于T的,删除该车道拓扑连接,剩下的结果即是最终的车道拓扑关系列表,然后制作地图的时候直接根据得到的车道拓扑关系对路口内部的车道连接线进行自动生成。
对于驶出路段或者驶入路段中某些车道宽度值过大时,人工设定一定规则进行车道分割,比如车道宽度超过6米,则自动平均分割成两个宽度3米的车道;或者通过收集到的当前位置历史轨迹信息进行聚类,判断是否对当前车道进行分割,并确定分割比例。
对于一些小路口或者小岔口,比如商场车库进出口或者小区门口,没有明显标线或者标识来确定当前路段的方向,这时,通过调取当前位置车辆历史轨迹信息进行判断,如果当前位置没有车辆历史轨迹信息,则无法判断,可以认为当前路段是双向的。
上述方法设计了一套路口车道形态参数化方法,通过收集大量不同路口的车辆真实轨迹信息,将这些轨迹信息转换后变成拓扑关系数据,将路口车道形态与拓扑关系数据进行关联,建立对应关系,然后设计了两种对任意路口自动生成拓扑关系的方法,一种是对路口车道形态参数进行离散化,然后建立路口形态与拓扑关系数据之间的映射关系表,对任意路口,同样进行路口车道形态参数化,之后从之前得到的映射关系表中查询得到拓扑关系数据,另一种是使用神经网络模型,将路口形态数据作为输入数据,将对应的拓扑关系数据作为输出数据,对神经网络模型进行训练,然后对任意路口,计算路口车道形态参数之后,输入给该神经网络模型,然后得到输出的拓扑关系数据。
上述方法可以对路口车道拓扑关系进行自动生成,生成的速度快、效果好,大大提高了在路口处地图车道数据制作效率,同时大大提高了数据质量,生成的地图用来进行车辆自动驾驶,其路线更加合理,有利于自车和其他车辆在路口通行时对双方意图和路线更加准确地进行预判,提高路口通行效率和稳定性。
除上述实施例外,本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围。
Claims (10)
1.一种路口车道拓扑连接关系生成方法,其特征在于:包括以下步骤:
一、路口车道形态参数化
对每个路口,根据车道方向,确定车道是进入还是离开该路口,将车道分为驶出车道和驶入车道,将同一个车道方向且左右相邻、并排在一起的车道构成路段,然后分为驶出路段和驶入路段;
对每个路口生成车道拓扑关系的时候,依次对每个驶出路段到所有驶入路段之间的拓扑关系进行计算,确定每个车道之间是否应该生成拓扑连接,对所有驶出路段计算完成之后,则整个路口内部的所有拓扑连接得以确定;
二、计算单个驶出路段与驶入路段之间的关系
对某个驶出路段,从驶出路段开始,在路口中沿着逆时针方向或者顺时针方向,依次找到所有的驶入路段,得到一个列表,设为驶入路段列表;
对于已知驶出路段和驶入路段列表,对参数做归一化处理;
依次计算路口中所有驶出路段与对应的驶入路段列表之间的车道拓扑连接,得到整个路口所有车道拓扑连接;
三、收集路口车辆轨迹信息,转换为车道拓扑连接信息,统计每个车道拓扑连接出现的次数,并计算其概率
对于某个路口,收集车辆轨迹信息,得到车辆轨迹信息之后,计算每个轨迹进入路口点和离开路口点,根据坐标分别计算这2个点属于哪条车道,从而得到当前轨迹对应的车道拓扑连接;
对同一个路口做大量的轨迹收集之后,统计每个车道拓扑连接出现的次数,然后对于同一个驶出车道计算其所有车道拓扑连接的次数作为总数,计算其中每个车道拓扑连接出现的概率,即每个车道拓扑连接的次数除以对应的总数;
四、方法一:对数据集进行参数离散化,在数据集中直接查询出需要的结果,经过处理和数据收集之后,对任意未知路口进行结果计算;
方法二:使用数据集对神经网络模型进行训练,使用训练后的神经网络模型计算出需要的结果,经过处理和数据收集之后,对任意未知路口进行结果计算。
2.根据权利要求1所述的一种路口车道拓扑连接关系生成方法,其特征在于:对驶出路段进行参数化的方法是:
对当前驶出路段中所有车道的车道边线,取其终点,进行直线拟合,得到的直线,其角度设定为车道从左到右的方向,与x轴正方向作为0度方向,之间的夹角,设为v0,作为驶出路段的横向角度;
计算这条直线与最左侧车道边线延长线之间的交点,设定为P0(x0,y0),作为驶出路段的参考点;
计算所有车道边线在终点处的方向角,即对每条边线,计算终点前一点与终点之间构成的角度,然后对得到的所有方向角取平均值,作为驶出路段的纵向角度h0;
计算车道方向列表,设定车道方向值:用0表示没有方向,1表示直行,2表示左转,4表示右转,8表示掉头,可以对多个方向计算复合值,对每个车道根据地面标线和道路标识情况设定一个车道方向值,然后得到当前整个驶出路段的车道方向列表{t0,t1,t2,...};
计算车道类型列表,设定车道类型值:用0表示未知类型,1表示机动车道,2表示非机动车道,4表示公交专用道,可以设定复合值,对每个车道根据实际情况设定一个车道类型值,然后得到当前整个驶出路段的车道方向列表{c0,c1,c2,...};
计算车道宽度列表,对每个车道计算其终点处的车道宽度值,设为w,单位为米,然后得到当前整个驶出路段的车道宽度列表{w0,w1,w2,...}。
3.根据权利要求2所述的一种路口车道拓扑连接关系生成方法,其特征在于:对驶入路段进行参数化的方法是:
计算驶入路段的横向角度v1,方法与上述驶出路段中v0计算方法相似,不同是取所有车道起点进行直线拟合,得到直线;
计算驶入路段的参考点P1,方法与上述驶出路段中P0相同;
计算驶入路段的纵向角度h1,方法与上述驶入路段中h1计算方法相似,不同是计算起点处的角度,然后求平均值;
计算车道方向列表,驶入路段的车道方向统一都设置为0,即没有方向;
计算车道类型列表,同上述驶出路段;
计算车道宽度列表,同上述驶出路段中相似,不同的是计算起点处的车道宽度。
4.根据权利要求1所述的一种路口车道拓扑连接关系生成方法,其特征在于:归一化的方法是:对驶出路段,将P0平移到坐标原点(0,0),将v0旋转到0度,对h0做同样的旋转,然后对驶入路段列表中所有的参考点做同样的平移,对所有的横向角度和纵向角度做同样的旋转,所有角度的范围设定为0到360度,或者-180度到180度。
5.根据权利要求1所述的一种路口车道拓扑连接关系生成方法,其特征在于:进入路口点和离开路口点的计算方法是:计算轨迹与第1步中拟合得到的横向直线之间的交点,同时计算所有车道边线与该横向直线之间的交点,再计算轨迹交点与车道边线交点之间的关系,计算其在哪两个车道边线交点之间,即属于哪个车道。
6.根据权利要求1所述的一种路口车道拓扑连接关系生成方法,其特征在于:车辆轨迹信息有两种收集方法:①车辆自身装备有定位装置,包括卫星定位接收器、陀螺仪、加速度计、轮速计、摄像头、激光雷达在内的多种传感器,帮助进行自身定位,得到自身的车辆轨迹信息,将不同车辆的轨迹收集到一起,然后已知当前路口的坐标范围,计算哪些段轨迹是在当前路口中,得到每个路口对应的车辆轨迹信息;②通过车辆上装备的传感器进行移动测量,或者通过路边单元上装备的传感器进行固定测量,传感器包括摄像头、激光雷达、毫米波雷达,对道路上其他车辆的轨迹信息进行计算,并收集到一起,然后计算每个路口对应的车辆轨迹信息。
7.根据权利要求1所述的一种路口车道拓扑连接关系生成方法,其特征在于:
方法一:对数据集进行参数离散化,在数据集中直接查询出需要的结果,经过处理和数据收集之后,下面对任意未知路口进行结果计算:
对路口车道形态参数化结果进行离散化;
对大量不同路口收集数据构成的路口数据集,用对应的离散化参数构建所有(驶出路段,驶入路段列表),然后统计完全相同的(驶出路段,驶入路段列表)对应的所有车道拓扑连接出现的总次数,计算其中每个车道拓扑连接出现的总概率;
设定概率阈值T,对数据集中车道拓扑连接的概率值小于T的,删除该车道拓扑连接,然后更新数据集,得到新的离散化输入参数(驶出路段,驶入路段列表)与输出参数之间的对应关系表;
对任意未知路口,对该路口用同样的方式计算得到每个(驶出路段,驶入路段列表),并对其做同样的参数离散化,然后去数据集中去匹配完全相同的输入参数对应的输出参数,即可直接得到车道拓扑关系列表,然后制作地图的时候直接根据得到的车道拓扑关系对路口内部的车道连接线进行自动生成;对输入参数进行匹配的时候,如果数据集中匹配不到完全相同的输入参数,可以通过输入参数距离值计算模块,计算数据集中与当前输入参数距离值最小的数据对应的输出参数作为结果;
输入参数距离值计算模块,即计算两个(驶出路段,驶入路段列表)之间的距离d,假设为(驶出路段1,驶入路段列表1)和(驶出路段2,驶入路段列表2),设定一个固定的规则,分别比较驶出路段1与驶出路段2之间的差别和驶入路段列表1与驶入路段列表2之间的差别,并对差别进行量化,将两个值加到一起得到距离值;
方法二:使用数据集对神经网络模型进行训练,使用训练后的神经网络模型计算出需要的结果,经过处理和数据收集之后,下面对任意未知路口进行结果计算:
根据得到的(驶出路段,驶入路段列表)作为输入参数,对应的车道拓扑关系列表{车道拓扑连接1,车道拓扑连接2,车道拓扑连接3,...}和概率值{p1,p2,p3,...}作为输出参数,构建训练数据集,使用神经网络模型,用数据集对神经网络模型进行训练,得到训练后的神经网络模型;
对任意未知路口,做同样的参数化计算,得到输入参数(驶出路段,驶入路段列表),输入到神经网络模型中去,即可从模型得到输出值:车道拓扑关系列表{车道拓扑连接1,车道拓扑连接2,车道拓扑连接3,...}和概率值{p1,p2,p3,...};
设定概率阈值T,对输出结果中车道拓扑连接的概率值小于T的,删除该车道拓扑连接,剩下的结果即是最终的车道拓扑关系列表,然后制作地图的时候直接根据得到的车道拓扑关系对路口内部的车道连接线进行自动生成。
8.根据权利要求7所述的一种路口车道拓扑连接关系生成方法,其特征在于:离散化方法为:对每个(驶出路段,驶入路段列表)中的参数,参数中的所有横向角度v、纵向角度h、参考点P(x,y)、车道宽度w,对这4种参数进行离散化,对它们分别设定统一的离散化步长step_v,step_h,step_xy,step_w,然后分别得到5个整数值,即离散化横向角度V=四舍五入取整(v/step_v),离散化纵向角度H=四舍五入取整(h/step_h),离散化参考点坐标X=四舍五入取整(x/step_xy),Y=四舍五入取整(y/step_xy),离散化车道宽度W=四舍五入取整(w/step_w)。
9.根据权利要求1所述的一种路口车道拓扑连接关系生成方法,其特征在于:对于驶出路段或者驶入路段中某些车道宽度值过大时,人工设定一定规则进行车道分割;或者通过收集到的当前位置历史轨迹信息进行聚类,判断是否对当前车道进行分割,并确定分割比例。
10.根据权利要求1所述的一种路口车道拓扑连接关系生成方法,其特征在于:对于一些小路口或者小岔口,没有明显标线或者标识来确定当前路段的方向,这时,通过调取当前位置车辆历史轨迹信息进行判断,如果当前位置没有车辆历史轨迹信息,则无法判断,可以认为当前路段是双向的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111662498.4A CN114495489B (zh) | 2021-12-30 | 2021-12-30 | 一种路口车道拓扑连接关系生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111662498.4A CN114495489B (zh) | 2021-12-30 | 2021-12-30 | 一种路口车道拓扑连接关系生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114495489A true CN114495489A (zh) | 2022-05-13 |
CN114495489B CN114495489B (zh) | 2023-07-25 |
Family
ID=81497123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111662498.4A Active CN114495489B (zh) | 2021-12-30 | 2021-12-30 | 一种路口车道拓扑连接关系生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114495489B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115061479A (zh) * | 2022-08-03 | 2022-09-16 | 国汽智控(北京)科技有限公司 | 车道关系确定方法、装置、电子设备及存储介质 |
CN115331425A (zh) * | 2022-06-30 | 2022-11-11 | 银江技术股份有限公司 | 一种交通预警方法、装置和*** |
CN117576950A (zh) * | 2024-01-16 | 2024-02-20 | 长沙行深智能科技有限公司 | 一种预测车辆选择经过路口入口和路口出口的方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105651295A (zh) * | 2016-01-15 | 2016-06-08 | 武汉光庭信息技术股份有限公司 | 基于Bezier曲线构建交叉路口驶入驶出车道Link的连接曲线算法 |
DE102015211150A1 (de) * | 2015-06-17 | 2016-12-22 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren, Fahrerassistenzsystem und Fahrzeug zum Lernen einer Trajektorie eines Straßenabschnitts |
CN109186617A (zh) * | 2018-08-13 | 2019-01-11 | 武汉中海庭数据技术有限公司 | 一种基于视觉众包数据自动生成车道级拓扑关系的方法、***及存储器 |
US20200064846A1 (en) * | 2018-08-21 | 2020-02-27 | GM Global Technology Operations LLC | Intelligent vehicle navigation systems, methods, and control logic for multi-lane separation and trajectory extraction of roadway segments |
CN111065893A (zh) * | 2017-06-01 | 2020-04-24 | 罗伯特·博世有限公司 | 用于创建精确到车道的道路地图的方法和设备 |
CN111142525A (zh) * | 2019-12-31 | 2020-05-12 | 武汉中海庭数据技术有限公司 | 高精度地图车道拓扑构建方法及***、服务器及介质 |
US20210001877A1 (en) * | 2019-07-02 | 2021-01-07 | DeepMap Inc. | Determination of lane connectivity at traffic intersections for high definition maps |
CN112580179A (zh) * | 2020-12-29 | 2021-03-30 | 武汉中海庭数据技术有限公司 | 高精度地图路口车道形状更新方法及***、服务器及介质 |
US20210108936A1 (en) * | 2019-10-09 | 2021-04-15 | Argo AI, LLC | Methods and systems for topological planning in autonomous driving |
CN112699708A (zh) * | 2019-10-22 | 2021-04-23 | 北京初速度科技有限公司 | 一种车道级拓扑网的生成方法及装置 |
CN113074744A (zh) * | 2021-03-18 | 2021-07-06 | 重庆数字城市科技有限公司 | 一种智能网联车用地图拓扑连线生成方法 |
-
2021
- 2021-12-30 CN CN202111662498.4A patent/CN114495489B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015211150A1 (de) * | 2015-06-17 | 2016-12-22 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren, Fahrerassistenzsystem und Fahrzeug zum Lernen einer Trajektorie eines Straßenabschnitts |
CN105651295A (zh) * | 2016-01-15 | 2016-06-08 | 武汉光庭信息技术股份有限公司 | 基于Bezier曲线构建交叉路口驶入驶出车道Link的连接曲线算法 |
CN111065893A (zh) * | 2017-06-01 | 2020-04-24 | 罗伯特·博世有限公司 | 用于创建精确到车道的道路地图的方法和设备 |
CN109186617A (zh) * | 2018-08-13 | 2019-01-11 | 武汉中海庭数据技术有限公司 | 一种基于视觉众包数据自动生成车道级拓扑关系的方法、***及存储器 |
US20200064846A1 (en) * | 2018-08-21 | 2020-02-27 | GM Global Technology Operations LLC | Intelligent vehicle navigation systems, methods, and control logic for multi-lane separation and trajectory extraction of roadway segments |
US20210001877A1 (en) * | 2019-07-02 | 2021-01-07 | DeepMap Inc. | Determination of lane connectivity at traffic intersections for high definition maps |
US20210108936A1 (en) * | 2019-10-09 | 2021-04-15 | Argo AI, LLC | Methods and systems for topological planning in autonomous driving |
CN112699708A (zh) * | 2019-10-22 | 2021-04-23 | 北京初速度科技有限公司 | 一种车道级拓扑网的生成方法及装置 |
CN111142525A (zh) * | 2019-12-31 | 2020-05-12 | 武汉中海庭数据技术有限公司 | 高精度地图车道拓扑构建方法及***、服务器及介质 |
CN112580179A (zh) * | 2020-12-29 | 2021-03-30 | 武汉中海庭数据技术有限公司 | 高精度地图路口车道形状更新方法及***、服务器及介质 |
CN113074744A (zh) * | 2021-03-18 | 2021-07-06 | 重庆数字城市科技有限公司 | 一种智能网联车用地图拓扑连线生成方法 |
Non-Patent Citations (4)
Title |
---|
刘经南 等: "智能高精地图数据逻辑结构与关键技术", 《测绘学报》, vol. 48, no. 8, pages 939 - 953 * |
唐炉亮 等: "利用轨迹大数据进行城市道路交叉口识别及结构提取", 《测绘学报》, vol. 46, no. 6, pages 770 - 779 * |
张攀 等: "通用化高精地图数据模型", 《测绘学报》, vol. 50, no. 11, pages 1432 - 1446 * |
许广宏 等: "一种面向智能驾驶的电子地图模型", 《上海汽车》, pages 15 - 18 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115331425A (zh) * | 2022-06-30 | 2022-11-11 | 银江技术股份有限公司 | 一种交通预警方法、装置和*** |
CN115331425B (zh) * | 2022-06-30 | 2023-12-19 | 银江技术股份有限公司 | 一种交通预警方法、装置和*** |
CN115061479A (zh) * | 2022-08-03 | 2022-09-16 | 国汽智控(北京)科技有限公司 | 车道关系确定方法、装置、电子设备及存储介质 |
CN115061479B (zh) * | 2022-08-03 | 2022-11-04 | 国汽智控(北京)科技有限公司 | 车道关系确定方法、装置、电子设备及存储介质 |
CN117576950A (zh) * | 2024-01-16 | 2024-02-20 | 长沙行深智能科技有限公司 | 一种预测车辆选择经过路口入口和路口出口的方法及装置 |
CN117576950B (zh) * | 2024-01-16 | 2024-04-09 | 长沙行深智能科技有限公司 | 一种预测车辆选择经过路口入口和路口出口的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114495489B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114495489A (zh) | 一种路口车道拓扑连接关系生成方法 | |
CN112668153B (zh) | 一种自动驾驶仿真场景生成的方法、装置及设备 | |
CN108920481B (zh) | 一种基于手机定位数据的道路网重建方法及*** | |
WO2022141213A1 (zh) | 一种智慧城市智轨车辆故障基因预测方法及*** | |
US20230334981A1 (en) | Traffic flow forecasting method based on multi-mode dynamic residual graph convolution network | |
CN114005280B (zh) | 一种基于不确定性估计的车辆轨迹预测方法 | |
CN107563566B (zh) | 一种基于支持向量机的公交站间运行时间区间预测方法 | |
CN109558831B (zh) | 一种融合时空模型的跨摄像头行人定位方法 | |
CN112530158B (zh) | 一种基于历史轨迹的路网补充方法 | |
CN111710162B (zh) | 一种城市路网交通运行状况监测方法及*** | |
CN110553660A (zh) | 一种基于a*算法和人工势场的无人车轨迹规划方法 | |
CN111314857B (zh) | 一种基于过车视频数据的车辆实时出行轨迹获取方法 | |
CN113033840B (zh) | 一种公路养护的判断方法和装置 | |
CN115435798A (zh) | 无人车高精地图路网生成***及方法 | |
CN115112143A (zh) | 一种事故施救车辆行驶轨迹规划方法 | |
CN113537626A (zh) | 一种聚合信息差异的神经网络结合时间序列预测的方法 | |
CN117454318B (zh) | 一种基于多源数据融合的桥梁群时空荷载分布识别方法 | |
CN111551185B (zh) | 行车道添加的方法 | |
Zhang et al. | Multi-modal virtual-real fusion based transformer for collaborative perception | |
CN115610435B (zh) | 对象行驶意图的预测方法和装置、存储介质及电子装置 | |
US20230281424A1 (en) | Method for Extracting Features from Data of Traffic Scenario Based on Graph Neural Network | |
CN116105717A (zh) | 车道级高精度地图构建方法及*** | |
CN115432008A (zh) | 一种基于优化多任务的自动驾驶决策规划方法、电子设备及计算机存储介质 | |
CN115188195A (zh) | 一种城市全向交叉口的车辆轨迹实时提取方法和*** | |
CN118135123B (zh) | 一种高速公路逆向建模方法、装置、设备、介质及产品 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230323 Address after: 1 / F, building 28, 6055 Jinhai highway, Fengxian District, Shanghai 201400 Applicant after: Zhongzhixing (Shanghai) Transportation Technology Co.,Ltd. Applicant after: Tianyi Transportation Technology Co.,Ltd. Address before: 1 / F, building 28, 6055 Jinhai highway, Fengxian District, Shanghai 201400 Applicant before: Zhongzhixing (Shanghai) Transportation Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |