CN114563014B - 一种基于仿真图像的OpenDrive地图自动化检测方法 - Google Patents
一种基于仿真图像的OpenDrive地图自动化检测方法 Download PDFInfo
- Publication number
- CN114563014B CN114563014B CN202111538089.3A CN202111538089A CN114563014B CN 114563014 B CN114563014 B CN 114563014B CN 202111538089 A CN202111538089 A CN 202111538089A CN 114563014 B CN114563014 B CN 114563014B
- Authority
- CN
- China
- Prior art keywords
- data
- simulation
- opendrive
- real
- vehicle
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供的一种基于仿真图像的OpenDrive地图自动化检测方法,包括:S1:将实车采集并自动化生成的OpenDrive数据导入到仿真软件中并渲染成清晰的道路模型;S2:基于真实轨迹提取仿真场景中的仿真图像;S3:基于仿真图像进行自动化检测,包括:获取采集路网数据时轨迹点对应的图像数据,并进行语义分割处理;基于步骤S2,建立仿真静态场景,通过放置的主车,获取到实际轨迹点对应的语义分割仿真图像;缓解了人工检测OpenDrive数据中车道线以及地物等元素所带来的压力,并且在检测过程中可以直接输出问题点对应的位置,便于后续过程中数据的验证以及修改。避免了人工检测OpenDrive数据所带来的复杂、重复的工作,同时也降低了人工检测OpenDrive数据的错误率。
Description
技术领域
本发明涉及自动驾驶技术领域,具体涉及一种基于仿真图像的OpenDrive地图自动化检测方法。
背景技术
随着自动驾驶行业的飞速发展,对高精度地图的需求也越来越高,OpenDrive地图也被广泛的使用在自动驾驶过程中。
OpenDrive整个发展过程透明、管理良好,并且开源,可扩展,作为XML格式的地图,OpenDrive包含了主要的功能路网,并且相对于其他类型的地图来说,OpenDrive地图包含的信息更多,结构更加复杂。
所以在自动驾驶使用OpenDrive地图的过程中,对于地图中要素的正确性要求也在逐步提升,所以需要一种OpenDrive自动化检测方法去检测地图要素的正确性。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的基于仿真图像的OpenDrive地图自动化检测方法。
根据本发明的第一方面,提供了一种基于仿真图像的OpenDrive地图自动化检测方法,包括:
S1:将实车采集并自动化生成的OpenDrive数据导入到仿真软件中并渲染成清晰的道路模型;
S2:基于真实轨迹提取仿真场景中的仿真图像;
S3:基于仿真图像进行自动化检测,包括:
获取采集路网数据时轨迹点对应的图像数据,并进行语义分割处理;基于步骤S2,建立仿真静态场景,通过放置的主车,获取到实际轨迹点对应的语义分割仿真图像;
通过实景与仿真的图像对比,判断仿真图像中的道路模型数据与实景图像一致,若图像不一致则记录下此轨迹点,即为OpenDrive数据有问题的位置点,以此完成OpenDrive数据的自动化检测过程。
在上述技术方案的基础上,本发明还可以作出如下改进。
可选的,所述步骤S1包括:
S11:创建基于unity平台的仿真工程,根据当前OpenDrive数据的标准完成此OpenDrive数据的解析;
S12:获取解析后的道路信息,根据获取的道路ID遍历地图中的所有道路;
S13:获取所有的junction,并按照给定的结构存储信息;
S14:各类信息解析完成后,根据存储的数据进行路网模型的渲染。
可选的,所述步骤S12包括:
S121:判断当前道路是否为junction下的道路,决定下一步此道路内的车道是否为junction内的车道;
S122:获取当前道路下的Lanesection和Lane,根据当前道路的RoadID,LaneSectionID获取当前道路下的多条车道,按照各层级ID存储车道信息,包括左右车道线的类型、左边线的位置点、中心线的位置点、右边线的位置点;
S123:获取当前道路下Object数据,包括当前道路下Object的数量、类型、以及位置点信息,并按照设定的数据结构保存下来;
可选的,所述步骤S14包括:
S141:获取地图中所有的地物信息,根据地物的类型和位置添加对应的模型文件,地物的模型文件需要按照实景外部制作后导入;
S142:获取地图中所有的道路、车道信息数据,并进行车道线、道路面等数据的渲染。
可选的,所述步骤S2包括:
S21:创建基于unity的仿真工程,搭建仿真静态交通场景;
S22:获取采集OpenDrive数据时车辆的真实轨迹点,并对此轨迹点数据进行数据清洗处理,得到完整、平滑的轨迹数据;
S23:设置仿真车俩位置为轨迹数据的起始点的位置,根据仿真场景中车辆的当前位置与真实的轨迹点,计算仿真车辆的控制数据;
S24:在仿真车辆行驶过程中,通过位置保存及车辆语义分割传感器发出的图像数据,即得到了基于实车轨迹下的真实路网模型的仿真图像数据。
可选的,所述步骤S21包括:
S211:仿真工程加载由真实OpenDrive数据渲染成的路网模型数据;
S212:仿真工程加载车辆模型,车辆支持传感器数据的输入输出,以及相关的运动学、动力学模型。
可选的,所述步骤S23包括:
S231:读取完整的轨迹数据,根据仿真车辆的位置传感器的频率进行循环,每一次计算控制数据之前,与仿真车辆的位置传感器发出的车辆当前位置匹配,得到仿真车辆即将要行走的一段轨迹点;
S232:基于车辆当前位置以及前方的一段轨迹数据,通过MPC或者LQR控制算法,计算出仿真车辆的油门以及方向等控制数据,并输入到控制传感器中,用来控制仿真车辆按照预定轨迹行驶。
可选的,所述步骤S3包括:
S31:获取采集OpenDrive数据过程中实车的轨迹数据,以及每一个轨迹点对应的相机的真实图像;
S32:根据步骤S1,通过OpenDrive数据渲染出一个真实的路网模型,其中包括清晰的车道线以及地物信息;
S33:根据步骤S2,创建一个基于unity的仿真工程,搭建静态场景,调整静态场景中主车车辆相机传感器的位置、角度、参数,保持与实车采集数据时的相机参数一致,获取基于实车轨迹点以及真实OpenDrive数据的仿真静态图像;
S34:对真实图像进行语义分割处理,提取其中的车道线、地物信息,并保存语义分割处理后的真实图像;
S35:基于保存数据时记录下的位置点将仿真图像与真实图像联系,通过图像对比算法对比两幅图像,若图像中的元素以及相对位置基本一致,则可以判断此位置下生成的OpenDrive数据正确,若图像中的元素缺少或元素位置不对应则可以判断此位置下OpenDrive数据生成有误差,记录下当前位置,所有图像对比完成后便可得到所有有误差的位置点,通过此位置点数据进行复检处理。
本发明提供的一种基于仿真图像的OpenDrive地图自动化检测方法,通过将Opendrive数据导入到仿真软件后进行仿真图像与真实图像的对比,进而来完成数据的自动化检测,此发明主要缓解了人工检测OpenDrive数据中车道线以及地物等元素所带来的压力,并且在检测过程中可以直接输出问题点对应的位置,便于后续过程中数据的验证以及修改。通过这种方式可以大批量的对比地图数据与真实数据之间的差别,为自动驾驶行业提供更为精确的高精度地图服务。避免了人工检测OpenDrive数据所带来的复杂、重复的工作,同时也降低了人工检测OpenDrive数据的错误率,为自动驾驶提供更为精确的地图数据。
附图说明
图1为本发明实施例中将OpenDrive数据渲染为仿真路网模型流程示意图。
图2为本发明实施例中根据实车轨迹提取基于真实路网模型的仿真图像流程示意图。
图3为本发明实施例中基于仿真图像的OpenDrive自动化检测流程示意图。
图4为本发明实施例的整体流程示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为本发明实施例中将OpenDrive数据渲染为仿真路网模型流程示意图。结合图4所示,其详细步骤包括:
S1:将实车采集并自动化生成的OpenDrive数据导入到仿真软件中并渲染成清晰的道路模型;
所述步骤S1包括:
S11:创建基于unity平台的仿真工程,根据当前OpenDrive数据的标准完成此OpenDrive数据的解析;
S12:获取解析后的道路信息,根据获取的道路ID遍历地图中的所有道路;
所述步骤S12包括:
S121:判断当前道路是否为junction下的道路,决定下一步此道路内的车道是否为junction内的车道;
S122:获取当前道路下的Lanesection和Lane,根据当前道路的RoadID,LaneSectionID获取当前道路下的多条车道,按照各层级ID存储车道信息,包括左右车道线的类型、左边线的位置点、中心线的位置点、右边线的位置点;
S123:获取当前道路下Object数据,包括当前道路下Object的数量、类型、以及位置点信息,并按照设定的数据结构保存下来;
S13:获取所有的junction,并按照给定的结构存储信息;
S14:各类信息解析完成后,根据存储的数据进行路网模型的渲染。
所述步骤S14包括:
S141:获取地图中所有的地物信息,根据地物的类型和位置添加对应的模型文件,地物的模型文件需要按照实景外部制作后导入;
S142:获取地图中所有的道路、车道信息数据,并进行车道线、道路面等数据的渲染。
通过上述技术方案,可以实现将OpenDrive数据渲染出路网模型的功能,基于此功能,不仅可以将OpenDrive数据直接应用于仿真场景的搭建中,也可以将OpenDrive数据直观的显示在界面上,更利于OpenDrive数据的检测。
S2:基于真实轨迹提取仿真场景中的仿真图像;
如图2所示,所述步骤S2包括:
S21:创建基于unity的仿真工程,搭建仿真静态交通场景;
所述步骤S21包括:
S211:仿真工程加载由真实OpenDrive数据渲染成的路网模型数据;
S212:仿真工程加载车辆模型,车辆支持传感器数据的输入输出,以及相关的运动学、动力学模型。
S22:获取采集OpenDrive数据时车辆的真实轨迹点,并对此轨迹点数据进行数据清洗处理,得到完整、平滑的轨迹数据;
S23:设置仿真车俩位置为轨迹数据的起始点的位置,根据仿真场景中车辆的当前位置与真实的轨迹点,计算仿真车辆的控制数据;
所述步骤S23包括:
S231:读取完整的轨迹数据,根据仿真车辆的位置传感器的频率进行循环,每一次计算控制数据之前,与仿真车辆的位置传感器发出的车辆当前位置匹配,得到仿真车辆即将要行走的一段轨迹点;
S232:基于车辆当前位置以及前方的一段轨迹数据,通过MPC或者LQR控制算法,计算出仿真车辆的油门以及方向等控制数据,并输入到控制传感器中,用来控制仿真车辆按照预定轨迹行驶。
S24:在仿真车辆行驶过程中,通过位置保存及车辆语义分割传感器发出的图像数据,即得到了基于实车轨迹下的真实路网模型的仿真图像数据。
S3:基于仿真图像进行自动化检测,包括:
获取采集路网数据时轨迹点对应的图像数据,并进行语义分割处理;基于步骤S2,建立仿真静态场景,通过放置的主车,获取到实际轨迹点对应的语义分割仿真图像;通过实景与仿真的图像对比,判断仿真图像中的道路模型数据与实景图像一致,若图像不一致则记录下此轨迹点,即为OpenDrive数据有问题的位置点,以此完成OpenDrive数据的自动化检测过程。
如图3所示,所述步骤S3包括:
S31:获取采集OpenDrive数据过程中实车的轨迹数据,以及每一个轨迹点对应的相机的真实图像;
S32:根据步骤S1,通过OpenDrive数据渲染出一个真实的路网模型,其中包括清晰的车道线以及地物信息;
S33:根据步骤S2,创建一个基于unity的仿真工程,搭建静态场景,调整静态场景中主车车辆相机传感器的位置、角度、参数,保持与实车采集数据时的相机参数一致,获取基于实车轨迹点以及真实OpenDrive数据的仿真静态图像;
S34:对真实图像进行语义分割处理,提取其中的车道线、地物信息,并保存语义分割处理后的真实图像;
S35:基于保存数据时记录下的位置点将仿真图像与真实图像联系,通过图像对比算法对比两幅图像,若图像中的元素以及相对位置基本一致,则可以判断此位置下生成的OpenDrive数据正确,若图像中的元素缺少或元素位置不对应则可以判断此位置下OpenDrive数据生成有误差,记录下当前位置,所有图像对比完成后便可得到所有有误差的位置点,通过此位置点数据进行复检处理。
在本实施例中,与以往技术相比,此发明通过将Opendrive数据导入到仿真软件后进行仿真图像与真实图像的对比,进而来完成数据的自动化检测,此发明主要缓解了人工检测OpenDrive数据中车道线以及地物等元素所带来的压力,并且在检测过程中可以直接输出问题点对应的位置,便于后续过程中数据的验证以及修改。通过这种方式可以大批量的对比地图数据与真实数据之间的差别,为自动驾驶行业提供更为精确的高精度地图服务。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (5)
1.一种基于仿真图像的OpenDrive地图自动化检测方法,其特征在于,包括:
S1:将实车采集并自动化生成的OpenDrive数据导入到仿真软件中并渲染成清晰的道路模型;
S2:基于真实轨迹提取仿真场景中的仿真图像;
S3:基于仿真图像进行自动化检测,包括:
获取采集路网数据时轨迹点对应的图像数据,并进行语义分割处理;基于步骤S2,建立仿真静态场景,通过放置的主车,获取到实际轨迹点对应的语义分割仿真图像;
通过实景与仿真的图像对比,判断仿真图像中的道路模型数据与实景图像一致,若图像不一致则记录下此轨迹点,即为OpenDrive数据有问题的位置点,以此完成OpenDrive数据的自动化检测过程;
所述步骤S1包括:
S11:创建基于unity平台的仿真工程,根据当前OpenDrive数据的标准完成此OpenDrive数据的解析;
S12:获取解析后的道路信息,根据获取的道路ID遍历地图中的所有道路;
S13:获取所有的junction,并按照给定的结构存储信息;
S14:各类信息解析完成后,根据存储的数据进行路网模型的渲染;
所述步骤S14包括:
S141:获取地图中所有的地物信息,根据地物的类型和位置添加对应的模型文件,地物的模型文件需要按照实景外部制作后导入;
S142:获取地图中所有的道路、车道信息数据,并进行车道线、道路面等数据的渲染;
所述步骤S3包括:
S31:获取采集OpenDrive数据过程中实车的轨迹数据,以及每一个轨迹点对应的相机的真实图像;
S32:根据步骤S1,通过OpenDrive数据渲染出一个真实的路网模型,其中包括清晰的车道线以及地物信息;
S33:根据步骤S2,创建一个基于unity的仿真工程,搭建静态场景,调整静态场景中主车车辆相机传感器的位置、角度、参数,保持与实车采集数据时的相机参数一致,获取基于实车轨迹点以及真实OpenDrive数据的仿真静态图像;
S34:对真实图像进行语义分割处理,提取其中的车道线、地物信息,并保存语义分割处理后的真实图像;
S35:基于保存数据时记录下的位置点将仿真图像与真实图像联系,通过图像对比算法对比两幅图像,若图像中的元素以及相对位置基本一致,则可以判断此位置下生成的OpenDrive数据正确,若图像中的元素缺少或元素位置不对应则可以判断此位置下OpenDrive数据生成有误差,记录下当前位置,所有图像对比完成后便可得到所有有误差的位置点,通过此位置点数据进行复检处理。
2.根据权利要求1所述的一种基于仿真图像的OpenDrive地图自动化检测方法,其特征在于,所述步骤S12包括:
S121:判断当前道路是否为junction下的道路,决定下一步此道路内的车道是否为junction内的车道;
S122:获取当前道路下的Lanesection和Lane,根据当前道路的RoadID,LaneSectionID获取当前道路下的多条车道,按照各层级ID存储车道信息,包括左右车道线的类型、左边线的位置点、中心线的位置点、右边线的位置点;
S123:获取当前道路下Object数据,包括当前道路下Object的数量、类型、以及位置点信息,并按照设定的数据结构保存下来。
3.根据权利要求1所述的一种基于仿真图像的OpenDrive地图自动化检测方法,其特征在于,所述步骤S2包括:
S21:创建基于unity的仿真工程,搭建仿真静态交通场景;
S22:获取采集OpenDrive数据时车辆的真实轨迹点,并对此轨迹点数据进行数据清洗处理,得到完整、平滑的轨迹数据;
S23:设置仿真车俩位置为轨迹数据的起始点的位置,根据仿真场景中车辆的当前位置与真实的轨迹点,计算仿真车辆的控制数据;
S24:在仿真车辆行驶过程中,通过位置保存及车辆语义分割传感器发出的图像数据,即得到了基于实车轨迹下的真实路网模型的仿真图像数据。
4.根据权利要求3所述的一种基于仿真图像的OpenDrive地图自动化检测方法,其特征在于,所述步骤S21包括:
S211:仿真工程加载由真实OpenDrive数据渲染成的路网模型数据;
S212:仿真工程加载车辆模型,车辆支持传感器数据的输入输出,以及相关的运动学、动力学模型。
5.根据权利要求3所述的一种基于仿真图像的OpenDrive地图自动化检测方法,其特征在于,所述步骤S23包括:
S231:读取完整的轨迹数据,根据仿真车辆的位置传感器的频率进行循环,每一次计算控制数据之前,与仿真车辆的位置传感器发出的车辆当前位置匹配,得到仿真车辆即将要行走的一段轨迹点;
S232:基于车辆当前位置以及前方的一段轨迹数据,通过MPC或者LQR控制算法,计算出仿真车辆的油门以及方向等控制数据,并输入到控制传感器中,用来控制仿真车辆按照预定轨迹行驶。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111538089.3A CN114563014B (zh) | 2021-12-15 | 2021-12-15 | 一种基于仿真图像的OpenDrive地图自动化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111538089.3A CN114563014B (zh) | 2021-12-15 | 2021-12-15 | 一种基于仿真图像的OpenDrive地图自动化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114563014A CN114563014A (zh) | 2022-05-31 |
CN114563014B true CN114563014B (zh) | 2023-08-04 |
Family
ID=81711094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111538089.3A Active CN114563014B (zh) | 2021-12-15 | 2021-12-15 | 一种基于仿真图像的OpenDrive地图自动化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114563014B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019065409A1 (ja) * | 2017-09-29 | 2019-04-04 | 日立オートモティブシステムズ株式会社 | 自動運転シミュレータ及び自動運転シミュレータ用地図生成方法 |
CN109883448A (zh) * | 2019-03-28 | 2019-06-14 | 北京经纬恒润科技有限公司 | 地图盒子测试方法及*** |
CN111505965A (zh) * | 2020-06-17 | 2020-08-07 | 深圳裹动智驾科技有限公司 | 自动驾驶车辆仿真测试的方法、装置、计算机设备及存储介质 |
CN111680113A (zh) * | 2019-03-11 | 2020-09-18 | 武汉小狮科技有限公司 | 一种适用于小型自动驾驶车辆的路口矢量-栅格地图方案 |
CN113032262A (zh) * | 2021-03-23 | 2021-06-25 | 重庆智行者信息科技有限公司 | 一种自动化仿真测试方法 |
WO2021232229A1 (zh) * | 2020-05-19 | 2021-11-25 | 深圳元戎启行科技有限公司 | 虚拟场景生成方法、装置、计算机设备和存储介质 |
CN113758492A (zh) * | 2020-09-16 | 2021-12-07 | 北京京东叁佰陆拾度电子商务有限公司 | 地图检测方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018002910A1 (en) * | 2016-06-28 | 2018-01-04 | Cognata Ltd. | Realistic 3d virtual world creation and simulation for training automated driving systems |
US10877476B2 (en) * | 2017-11-30 | 2020-12-29 | Tusimple, Inc. | Autonomous vehicle simulation system for analyzing motion planners |
-
2021
- 2021-12-15 CN CN202111538089.3A patent/CN114563014B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019065409A1 (ja) * | 2017-09-29 | 2019-04-04 | 日立オートモティブシステムズ株式会社 | 自動運転シミュレータ及び自動運転シミュレータ用地図生成方法 |
CN111680113A (zh) * | 2019-03-11 | 2020-09-18 | 武汉小狮科技有限公司 | 一种适用于小型自动驾驶车辆的路口矢量-栅格地图方案 |
CN109883448A (zh) * | 2019-03-28 | 2019-06-14 | 北京经纬恒润科技有限公司 | 地图盒子测试方法及*** |
WO2021232229A1 (zh) * | 2020-05-19 | 2021-11-25 | 深圳元戎启行科技有限公司 | 虚拟场景生成方法、装置、计算机设备和存储介质 |
CN111505965A (zh) * | 2020-06-17 | 2020-08-07 | 深圳裹动智驾科技有限公司 | 自动驾驶车辆仿真测试的方法、装置、计算机设备及存储介质 |
CN113758492A (zh) * | 2020-09-16 | 2021-12-07 | 北京京东叁佰陆拾度电子商务有限公司 | 地图检测方法和装置 |
CN113032262A (zh) * | 2021-03-23 | 2021-06-25 | 重庆智行者信息科技有限公司 | 一种自动化仿真测试方法 |
Non-Patent Citations (1)
Title |
---|
基于移动通信数据的交通信息仿真***;赵力萱;余志;何兆成;林科;;中山大学学报(自然科学版);第48卷(第04期);第24-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114563014A (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102094341B1 (ko) | 인공지능 기반의 도로 노면 불량 객체 정보 분석 시스템 및 방법 | |
CN111191487A (zh) | 车道线的检测及驾驶控制方法、装置和电子设备 | |
CN112567374A (zh) | 一种仿真交通场景文件生成方法及装置 | |
CN113343461A (zh) | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 | |
EP3926360A1 (en) | Neural network based methods and systems for object detection using concatenated lidar, radar and camera data sets | |
US11636684B2 (en) | Behavior model of an environment sensor | |
CN110647886A (zh) | 兴趣点标注方法、装置、计算机设备和存储介质 | |
WO2024060529A1 (zh) | 一种道路病害识别方法、***、设备及存储介质 | |
CN108399609B (zh) | 一种三维点云数据的修补方法、装置和机器人 | |
JP6681965B2 (ja) | 自律走行のための学習対象イメージ抽出装置及び方法 | |
CN114563014B (zh) | 一种基于仿真图像的OpenDrive地图自动化检测方法 | |
CN113758501A (zh) | 检测地图中的异常车道线的方法和可读存储介质 | |
CN113780287A (zh) | 一种多深度学习模型的最优选取方法及*** | |
CN112329886A (zh) | 双车牌识别方法、模型训练方法、装置、设备及存储介质 | |
CN113435427B (zh) | 车道线的聚合方法和装置 | |
CN114781149A (zh) | 一种场景元素信息自动获取方法及*** | |
CN112507857B (zh) | 一种车道线更新方法、装置、设备及存储介质 | |
CN114332137A (zh) | 一种中精度地图的车线边界线生成方法及*** | |
CN114049394A (zh) | 一种单目测距方法、装置、设备及存储介质 | |
CN115471725A (zh) | 用于异常检测的图像处理方法及设备和神经网络构建方法 | |
Riya et al. | Pothole detection methods | |
CN110796024B (zh) | 一种针对失效样本的自动驾驶视觉感知测试方法和装置 | |
CN116662474B (zh) | 高精地图数据处理方法、装置、设备和介质 | |
CN114187573A (zh) | 一种车道箭头旋转目标检测模型构建方法及装置 | |
CN116142201A (zh) | 车辆的控制方法、计算机设备和存储介质 |
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 |