CN106980657A - 一种基于信息融合的车道级电子地图构建方法 - Google Patents

一种基于信息融合的车道级电子地图构建方法 Download PDF

Info

Publication number
CN106980657A
CN106980657A CN201710152964.1A CN201710152964A CN106980657A CN 106980657 A CN106980657 A CN 106980657A CN 201710152964 A CN201710152964 A CN 201710152964A CN 106980657 A CN106980657 A CN 106980657A
Authority
CN
China
Prior art keywords
lane
image
electronic map
panoramic
frame image
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.)
Pending
Application number
CN201710152964.1A
Other languages
English (en)
Inventor
王美玲
杨强荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201710152964.1A priority Critical patent/CN106980657A/zh
Publication of CN106980657A publication Critical patent/CN106980657A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Processing Or Creating Images (AREA)
  • Instructional Devices (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于信息融合的车道级电子地图构建方法，具体过程为：步骤一，移动数据采集平台实时采集全景图像、定位数据及交通信号位置，基于逆投影变换将所述全景图像转换成全景俯视图，将所述定位数据、交通信号位置与全景俯视图进行融合；其中所述定位数据采用差分定位方式获得；步骤二，将融合后的全景俯视图进行拼接，生成车道级电子地图。本发明在进行电子地图构建时，将采集的全景图像转换成全景俯视图，同时融合了利用差分定位方式获得准确的定位数据，因此生成电子地图可以具体精确到车道。

Description

一种基于信息融合的车道级电子地图构建方法
技术领域
发明属于智能车辆和地理信息系统技术领域，具体涉及一种基于信息融合的车道级电子地图构建方法。
背景技术
智能车辆(Intelligent Vehicle,IV)是一种在道路和野外环境下能够连续、实时地自主行驶的移动机器人，也是智能交通系统和地面无人作战系统研究的重要组成部分，其研究涉及控制科学、计算机科学、信息处理、传感器技术、人工智能等诸多科学技术领域，是一个集环境感知、规划决策、行为控制与执行等关键技术与功能为一体的综合智能系统，其研究成果已广泛应用在军事、民用、科学研究等各个领域，具有重大的研究和应用价值。
而高精度的电子地图是面向结构化交通环境应用的智能车辆的重要组成部分，电子地图能有效地减小智能车辆对高精度感知系统的依赖。在获取到高精度的交通环境地图后，智能车辆不再需要从感知系统得到的环境信息中提取可行区域，一边探索一边前进，而是将车辆匹配到电子地图的路网中，并在电子地图提供的道路中连续获取到达目的地的路段，行驶中实时感知与避让路段中的其他交通参与物，直至完成任务。
然而，近年来，随着智能车辆在智能交通系统、辅助驾驶、智能运输地广泛应用，对车载的电子地图提出了更高的要求，需要电子地图能达到车道级的精度，现有的电子地图已经无法满足这些应用的要求，急需一种有效的方法来构建车道级的电子地图。
发明内容
有鉴于此，本发明提出了一种基于信息融合的车道级电子地图构建方法，利用该方法构建的地图可以精确定位到每一车道，为车辆的行驶提供了可靠的保证。
实现本发明的技术方案如下：
一种基于信息融合的车道级电子地图构建方法，具体过程为：
步骤一，移动数据采集平台实时采集全景图像、定位数据及交通信号位置，基于逆投影变换将所述全景图像转换成全景俯视图，将所述定位数据、交通信号位置与全景俯视图进行融合；其中所述定位数据采用差分定位方式获得；
步骤二，将融合后的全景俯视图进行拼接，生成车道级电子地图。
进一步地，本发明所述定位数据的获取方式为：在已知位置平台上架设差分基站，所述基站利用通信模块向移动数据采集平台传输实时差分信息，移动数据采集平台根据基站位置及差分信息计算出移动数据采集平台的精确定位数据。
进一步地，本发明所述交通信号位置采用如下方式获得：首先移动数据采集平台采集交通信号的图像；其次图像序列检测器对图像中可能存在交通信号的区域进行标记；最后跟踪器剔除标记区域中的误检区域，得到交通信号位置。
进一步地，本发明所述步骤二进行图像拼接的具体过程为：
步骤201，将移动数据采集平台所经过的图像采集区域划分成多个同样大小的网格；
步骤202，判断当前帧图像与上一帧图像是否对应同一网格；
步骤203，若是，将当前帧图像与上一帧图像按照位置关系拼接在一起，否则，将上一帧图像的拼接结果保存，并判断当前帧图像所对应的网格是否有保存好的图像；
如果有，将已保存的图像与当前帧图像按照位置关系拼接在一起，否则，建立当前帧图像对应网格的存储区域，并将当前帧图像存储到该区域上；
步骤204，按照步骤202-203的方式处理所有融合后的全景俯视图像，得到每一网格所对应的拼接图像；
步骤205，将多张网格对应的拼接图像拼接在一起，生成车道级电子地图。
进一步地，本发明步骤202所述判断为：利用采集每一图像时移动数据采集采集平台所处的位置信息，对图像进行标识，根据所述标识进行判断。
一种基于信息融合的车道级电子地图构建方法，具体过程为：
步骤一，移动数据采集平台实时采集全景图像、定位数据、交通信号位置及道路边界信息，基于逆投影变换将所述全景图像转换成全景俯视图，将所述定位数据、交通信号位置、道路边界信息与全景俯视图进行融合；其中所述定位数据采用差分定位方式获得；
步骤二，将融合后的全景俯视图进行拼接，得到车道级电子地图的底图；
步骤三，根据交通规则和车道间的转向信息生成电子地图的拓扑关系，将所述拓扑关系与步骤二中拼接得到底图进行融合；
步骤四，为图像上每一车道设置对应的属性表，生成适应无人地面车辆应用的车道级电子地图。
进一步地，本发明所述道路边界信息采用如下方式获得：移动数据采集平台采集周围环境点云数据，通过多重特征Hough变换确定道路边界信息。
进一步地，本发明所述属性表包括线数据集“道路”属性、点数据集“道路节点”属性和点数据集“交通标志”属性；其中，
所述线数据集“道路”属性包括车道距道路左边界的距离、车道距道路右边界的距离、车道的限速信息、车道的转向信息、车道的并线属性及车道的行驶方向；
所述点数据集“道路节点”属性包括道路节点是否是交叉口和道路节点是否是含有交通灯的交叉口；
点数据集“交通标志”属性包括交通标志的类型和属性值。
有益效果
(1)本发明在进行电子地图构建时，将采集的全景图像转换成全景俯视图，同时融合了利用差分定位方式获得准确的定位数据，因此生成电子地图可以具体精确到车道。
(2)本发明在生成高精度的电子地图时，提出了利用网格模式来对海量的图像数据进行处理，有效地避免了因为数据量过大而无法处理的情况。
(3)本发明为不同的地理对象创建了属性表，为智能车辆在结构化环境下的安全行驶提供了可靠的保障。
附图说明
图1为基于信息融合的车道级电子地图构建方法的流程图；
图2为移动数据采集平台的框架示意图；
图3为设计的图像网格坐标系；
图4为生成高精度电子地图底图的流程图；
图5为采集和处理后的全景图像；
图6为高精度的电子地图底图；
图7为生成的车道级电子地图。
具体实施方式
下面结合附图并举实例，对本发明进行详细描述。
本发明提供一种基于信息融合的车道级电子地图构建方法，如图1所示，具体过程为：
步骤一，移动数据采集平台实时采集全景图像、定位数据及交通信号位置，基于逆投影变换将所述全景图像转换成全景俯视图，将所述定位数据、交通信号位置与全景俯视图进行融合；其中所述定位数据采用差分定位方式获得；
步骤二，将融合后的全景俯视图进行拼接，生成车道级电子地图。
本发明将采集的全景图像转换成全景俯视图作为电子地图的底图，因此所构建的电子地图可以清晰看清每一车道；同时，采用差分定位方式来获得与全景俯视图进行融合的定位数据，相比于现有电子地图的GPS定位方式，本发明生成电子地图的定位具有很高的精度。
本实施例中移动数据采集平台实时进行数据采集的较佳方式如下：
全景图像采集：构建高精度电子地图需要采集全景图像信息作为地图底图。在采集全景图像之前首先需要通过标定板对移动数据采集平台上的全景摄像头进行标定，然后基于逆投影变换(IPM)算法获得全景俯视图。另外，后期处理时为了对不同的全景图像进行拼接，需要利用采集图像时数据采集平台所处的位置对图像进行标识，本实例以二维码的形式在图像右下角标注其位置信息。
定位数据采集：构建车道级电子地图要求定位数据能够区分不同车道，因此定位数据的精度至少是分米级。目前应用最为广泛的卫星定位导航系统(如，GPS)单点定位精度一般在米级以上。为此，本实例采用差分定位技术，在一个已知位置平台上架设差分基站，基站通过移动通信模块向移动数据采集平台传输实时差分信息，由此可使定位精度达到厘米级。
交通信号位置采集：交通信号包括交通灯和交通标志，本实例通过单目相机得到交通灯和交通标志的图像之后，首先，图像序列检测器对图像中可能存在交通灯和交通标志的区域进行标记，将标记后的图像看作是目标定位的带噪声观测；接着，跟踪器利用多目标跟踪算法中的数据关联方法对上述带噪声观测进行处理，从杂乱的观测中提取来自目标的真实候选区域并剔除误检的区域，得到交通灯和交通标志的位置。
本发明移动数据采集平台还通过激光雷达采集周围环境点云数据，通过多重特征Hough变换确定道路边界信息，并将所述道路边界信息与全景俯视图进行融合。
图2给出了移动数据采集平台上用于采集各数据器件的示意图。
图3所示，对融合后的全景俯视图进行拼接的具体过程为：
步骤201，将移动数据采集平台所经过的图像采集区域划分成多个同样大小的网格，每一网格对应确定的范围；本实例中一个网格的大小为1620m×360m(27000像素×6000像素)，根据数据采集区域的坐标范围选定原点坐标(x0,y0)，同时确定每一网格的序号(i,j)，如图4所示；
步骤202，根据图像上标识的位置信息确定当前帧图像所对应的网格，并判断该网格的序号是否与上一帧图像所对应的网格的序号相同，即判断当前帧图像与上一帧图像是否对应同一网格；
步骤203，如果序号相同，即对应同一网格，则将两幅图像按照位置关系拼接在一起，否则，将上一帧图像的拼接结果保存，并判断当前帧图像所对应的网格之前是否有保存的图像；
如果有保存好的图像，将已保存的图像与当前帧图像按照位置关系拼接在一起，否则，则在内存里新建一片区域作为当前帧图像对应网格的存储区域，并将当前帧图像存储到该区域上；
步骤204，按照步骤202-203的方式处理所有融合后的全景俯视图像，得到若干张代表不同网格的图像；
步骤205，按照网格的序号将上述若干张代表不同网格的图像拼接在一起，得到高精度的电子地图的底图。
本发明一种基于信息融合的车道级电子地图构建方法，具体过程为：
步骤一，移动数据采集平台实时采集全景图像、定位数据、交通信号位置及道路边界信息，基于逆投影变换将所述全景图像转换成全景俯视图，将所述定位数据、交通信号位置、道路边界信息与全景俯视图进行融合；其中所述定位数据采用差分定位方式获得；
步骤二，将融合后的全景俯视图进行拼接；
步骤三、根据交通规则和车道间的转向信息生成电子地图的拓扑关系，将所述拓扑关系与步骤二中拼接得到图像进行融合；所述拓扑关系是电子地图的重要组成部分，它是电子地图应用于路径规划和最短路径分析的必备条件。
步骤四、根据不同地理对象的特征为图像上每一车道设置对应的属性表，生成以适应无人地面车辆应用的车道级电子地图。
为不同地理对象构建属性表的具体过程为：
首先是线数据集“道路”，其对应的属性表1所示。
表1为线数据集“道路”属性
其中，Left_Width和Right_Width属性表示当前车道距离左边界和右边界的距离。这两个属性给出了无人地面车辆进行局部规划时的左右边界，对无人车辆的安全驾驶有着重要的指导作用，该属性由采集到的道路边界数据计算得到。Speed_Limit属性表示当前车道的限速信息，在该限速范围内行驶是智能驾驶的重要准则之一；同时为了车辆的行驶安全，本发明构建的电子地图还根据对应车道的转向信息对交叉口附近的车道进行限速(例如：直行车道限速30km/h，左转右转车道限速15km/h，掉头车道限速10km/h)。Change_Direction属性为当前车道的转向信息，其中，0为直行，1为左转，2为右转，3为掉头。if_CrossLine属性为当前车道是否允许并线，其中，0为禁止并线，1为允许并线，在道路的某些区域(如交叉口附近)车辆是不允许并线的，因此添加该属性对无人地面车辆按照交通规则行驶有着重要的指示作用。Direction属性表示当前车道的方向，用当前车道的方向角表示。
点数据集“道路节点”和“交通标志”对应的属性表分别如表2和表3所示。
表2为点数据集“道路节点”的属性
其中，“道路节点”对应的属性主要包括if_Intersection和if_TrafficLight属性，分别表示该道路节点是否是交叉口和是否是含有交通灯的交叉口。
表3为点数据集“道路标志”的属性
其中“交通标志”对应的属性为Category和Value，Category属性表示交通标志的类型(如限速，禁行等)，而Value属性表示对应交通标志的值(如限速40km/h，则该属性值为40)。
本发明以江苏省常熟市智能车研发中心为试验场地构建了电子地图来验证本发明的有效性。
(1)首先利用移动数据采集平台采集构建电子地图所需要的数据。采集和处理后的全景图像数据如附图5所示。
(2)接着，按照步骤201-步骤205生成高精度电子地图的底图，得到的底图如附图6所示。
(3)最后，根据交通规则和车道间的转向信息来生成电子地图的拓扑关系，反映城市道路的通行规则根据交通规则，得到的车道级电子地图如附图7所示。
综上所述，以上仅为本发明的较佳实例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于信息融合的车道级电子地图构建方法，其特征在于，具体过程为：
步骤一，移动数据采集平台实时采集全景图像、定位数据及交通信号位置，基于逆投影变换将所述全景图像转换成全景俯视图，将所述定位数据、交通信号位置与全景俯视图进行融合；其中所述定位数据采用差分定位方式获得；
步骤二，将融合后的全景俯视图进行拼接，生成车道级电子地图。
2.根据权利要求1所述基于信息融合的车道级电子地图构建方法，其特征在于，所述定位数据的获取方式为：在已知位置平台上架设差分基站，所述基站利用通信模块向移动数据采集平台传输实时差分信息，移动数据采集平台根据基站位置及差分信息计算出移动数据采集平台的精确定位数据。
3.根据权利要求1所述基于信息融合的车道级电子地图构建方法，其特征在于，所述交通信号位置采用如下方式获得：首先移动数据采集平台采集交通信号的图像；其次图像序列检测器对图像中可能存在交通信号的区域进行标记；最后跟踪器剔除标记区域中的误检区域，得到交通信号位置。
4.根据权利要求1所述基于信息融合的车道级电子地图构建方法，其特征在于，所述步骤二进行图像拼接的具体过程为：
步骤201，将移动数据采集平台所经过的图像采集区域划分成多个同样大小的网格；
步骤202，判断当前帧图像与上一帧图像是否对应同一网格；
步骤203，若是，将当前帧图像与上一帧图像按照位置关系拼接在一起，否则，将上一帧图像的拼接结果保存，并判断当前帧图像所对应的网格是否有保存好的图像；
如果有，将已保存的图像与当前帧图像按照位置关系拼接在一起，否则，建立当前帧图像对应网格的存储区域，并将当前帧图像存储到该区域上；
步骤204，按照步骤202-203的方式处理所有融合后的全景俯视图像，得到每一网格所对应的拼接图像；
步骤205，将多张网格对应的拼接图像拼接在一起，生成车道级电子地图。
5.根据权利要求4所述基于信息融合的车道级电子地图构建方法，其特征在于，步骤202所述判断为：利用采集每一图像时移动数据采集采集平台所处的位置信息，对图像进行标识，根据所述标识进行判断。
6.一种基于信息融合的车道级电子地图构建方法，其特征在于，具体过程为：
步骤一，移动数据采集平台实时采集全景图像、定位数据、交通信号位置及道路边界信息，基于逆投影变换将所述全景图像转换成全景俯视图，将所述定位数据、交通信号位置、道路边界信息与全景俯视图进行融合；其中所述定位数据采用差分定位方式获得；
步骤二，将融合后的全景俯视图进行拼接，得到车道级电子地图的底图；
步骤三，根据交通规则和车道间的转向信息生成电子地图的拓扑关系，将所述拓扑关系与步骤二中拼接得到底图进行融合；
步骤四，为图像上每一车道设置对应的属性表，生成适应无人地面车辆应用的车道级电子地图。
7.根据权利要求6所述基于信息融合的车道级电子地图构建方法，其特征在于，所述道路边界信息采用如下方式获得：移动数据采集平台采集周围环境点云数据，通过多重特征Hough变换确定道路边界信息。
8.根据权利要求6所述基于信息融合的车道级电子地图构建方法，其特征在于，所述属性表包括线数据集“道路”属性、点数据集“道路节点”属性和点数据集“交通标志”属性；其中，
所述线数据集“道路”属性包括车道距道路左边界的距离、车道距道路右边界的距离、车道的限速信息、车道的转向信息、车道的并线属性及车道的行驶方向；
所述点数据集“道路节点”属性包括道路节点是否是交叉口和道路节点是否是含有交通灯的交叉口；
点数据集“交通标志”属性包括交通标志的类型和属性值。
9.根据权利要求6所述基于信息融合的车道级电子地图构建方法，其特征在于，所述步骤二进行图像拼接的具体过程为：
步骤201，将移动数据采集平台所经过的图像采集区域划分成多个同样大小的网格；
步骤202，判断当前帧图像与上一帧图像是否对应同一网格；
步骤203，若是，将当前帧图像与上一帧图像按照位置关系拼接在一起，否则，将上一帧图像的拼接结果保存，并判断当前帧图像所对应的网格是否有保存好的图像；
如果有，将已保存的图像与当前帧图像按照位置关系拼接在一起，否则，建立当前帧图像对应网格的存储区域，并将当前帧图像存储到该区域上；
步骤204，按照步骤202-203的方式处理所有融合后的全景俯视图像，得到每一网格所对应的拼接图像；
步骤205，将多张网格对应的拼接图像拼接在一起，得到车道级电子地图的底图。
10.根据权利要求9所述基于信息融合的车道级电子地图构建方法，其特征在于，步骤202所述判断为：利用采集每一图像时移动数据采集采集平台所处的位置信息，对图像进行标识，根据所述标识进行判断。
CN201710152964.1A 2017-03-15 2017-03-15 一种基于信息融合的车道级电子地图构建方法 Pending CN106980657A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710152964.1A CN106980657A (zh) 2017-03-15 2017-03-15 一种基于信息融合的车道级电子地图构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710152964.1A CN106980657A (zh) 2017-03-15 2017-03-15 一种基于信息融合的车道级电子地图构建方法

Publications (1)

Publication Number Publication Date
CN106980657A true CN106980657A (zh) 2017-07-25

Family

ID=59338977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710152964.1A Pending CN106980657A (zh) 2017-03-15 2017-03-15 一种基于信息融合的车道级电子地图构建方法

Country Status (1)

Country Link
CN (1) CN106980657A (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107976182A (zh) * 2017-11-30 2018-05-01 深圳市隐湖科技有限公司 一种多传感器融合建图系统及其方法
CN108388641A (zh) * 2018-02-27 2018-08-10 广东方纬科技有限公司 一种基于深度学习的交通设施地图生成方法与系统
CN108981726A (zh) * 2018-06-09 2018-12-11 安徽宇锋智能科技有限公司 基于感知定位监测的无人车语义地图建模及构建应用方法
CN109141446A (zh) * 2018-07-04 2019-01-04 百度在线网络技术（北京）有限公司 用于获得地图的方法、装置、设备和计算机可读存储介质
CN109186618A (zh) * 2018-08-31 2019-01-11 平安科技（深圳）有限公司 地图构建方法、装置、计算机设备及存储介质
CN109635701A (zh) * 2018-12-05 2019-04-16 宽凳（北京）科技有限公司 车道通行属性获取方法、装置和计算机可读存储介质
CN109631873A (zh) * 2018-11-01 2019-04-16 百度在线网络技术（北京）有限公司 高精地图的道路生成方法、装置及可读存储介质
CN109949325A (zh) * 2019-02-27 2019-06-28 上海晶赞融宣科技有限公司 地图边界确定方法、装置以及计算机存储介质
CN110162589A (zh) * 2019-05-31 2019-08-23 北京百度网讯科技有限公司 道路限速值的赋值方法、装置、电子设备、计算机可读介质
CN110415527A (zh) * 2019-07-30 2019-11-05 公安部交通管理科学研究所 基于北斗地基增强技术的电动自行车监控方法及系统
WO2020029601A1 (zh) * 2018-08-06 2020-02-13 武汉中海庭数据技术有限公司 一种地图车道横向拓扑关系的构建方法、系统及存储器
CN110969574A (zh) * 2018-09-29 2020-04-07 广州汽车集团股份有限公司 一种车载全景地图创建方法及装置
CN111311945A (zh) * 2020-02-20 2020-06-19 南京航空航天大学 一种融合视觉和传感器信息的驾驶决策系统及方法
CN111582019A (zh) * 2020-03-24 2020-08-25 北京掌行通信息技术有限公司 无人车车道级场景的判定方法、系统、终端及存储介质
CN112082567A (zh) * 2020-09-05 2020-12-15 上海智驾汽车科技有限公司 基于改进Astar和灰狼算法结合的地图路径规划方法
CN112797991A (zh) * 2021-02-09 2021-05-14 中科大路(青岛)科技有限公司 无人驾驶车辆的行驶路径生成方法及系统
CN112833891A (zh) * 2020-12-31 2021-05-25 武汉光庭信息技术股份有限公司 基于卫片识别的道路数据与车道级地图数据的融合方法
KR20210078532A (ko) * 2018-10-24 2021-06-28 웨이모 엘엘씨 자율 주행 차량을 위한 교통 신호등 검출 및 차선 상태 인식
CN113051304A (zh) * 2021-04-02 2021-06-29 中国有色金属长沙勘察设计研究院有限公司 一种雷达监测数据与三维点云融合的计算方法
CN113837064A (zh) * 2021-09-22 2021-12-24 广州小鹏自动驾驶科技有限公司 道路识别方法、系统和可读存储介质
CN117109623A (zh) * 2023-10-09 2023-11-24 深圳市微克科技有限公司 一种智能穿戴式导航交互方法、系统及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103978978A (zh) * 2014-05-26 2014-08-13 武汉理工大学 基于逆投影变换的车道保持方法
CN105946853A (zh) * 2016-04-28 2016-09-21 中山大学 基于多传感器融合的长距离自动泊车的系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103978978A (zh) * 2014-05-26 2014-08-13 武汉理工大学 基于逆投影变换的车道保持方法
CN105946853A (zh) * 2016-04-28 2016-09-21 中山大学 基于多传感器融合的长距离自动泊车的系统及方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
史军勇: "《嵌入式GPS导航应用研究》", 31 May 2015 *
周春平: "《地理空间情报教程》", 31 July 2016, 国防大学出版社 *
宁津生等: "《测绘学概论》", 30 September 2016 *
易思蓉: "《铁路数字化选线设计系统的理论与方法》", 30 November 2011, 西南交通大学出版社 *
贺勇等: "《基于多传感器的车道级高精细地图制作方法》", 《长安大学学报（自然科学版）》 *

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107976182A (zh) * 2017-11-30 2018-05-01 深圳市隐湖科技有限公司 一种多传感器融合建图系统及其方法
CN108388641A (zh) * 2018-02-27 2018-08-10 广东方纬科技有限公司 一种基于深度学习的交通设施地图生成方法与系统
CN108388641B (zh) * 2018-02-27 2022-02-01 广东方纬科技有限公司 一种基于深度学习的交通设施地图生成方法与系统
CN108981726A (zh) * 2018-06-09 2018-12-11 安徽宇锋智能科技有限公司 基于感知定位监测的无人车语义地图建模及构建应用方法
CN109141446A (zh) * 2018-07-04 2019-01-04 百度在线网络技术（北京）有限公司 用于获得地图的方法、装置、设备和计算机可读存储介质
CN109141446B (zh) * 2018-07-04 2021-11-12 阿波罗智能技术(北京)有限公司 用于获得地图的方法、装置、设备和计算机可读存储介质
US11243086B2 (en) 2018-07-04 2022-02-08 Apollo Intelligent Driving Technology (Beijing) Co., Ltd. Method, device and apparatus for acquiring map, and computer readable storage medium
WO2020029601A1 (zh) * 2018-08-06 2020-02-13 武汉中海庭数据技术有限公司 一种地图车道横向拓扑关系的构建方法、系统及存储器
US11182624B2 (en) 2018-08-06 2021-11-23 Wuhhan Kotel Big Date Corporation Method, system and memory for constructing transverse topological relationship of lanes in high-definition map
CN109186618A (zh) * 2018-08-31 2019-01-11 平安科技（深圳）有限公司 地图构建方法、装置、计算机设备及存储介质
CN110969574A (zh) * 2018-09-29 2020-04-07 广州汽车集团股份有限公司 一种车载全景地图创建方法及装置
KR102558774B1 (ko) * 2018-10-24 2023-07-25 웨이모 엘엘씨 자율 주행 차량을 위한 교통 신호등 검출 및 차선 상태 인식
US11645852B2 (en) 2018-10-24 2023-05-09 Waymo Llc Traffic light detection and lane state recognition for autonomous vehicles
KR20210078532A (ko) * 2018-10-24 2021-06-28 웨이모 엘엘씨 자율 주행 차량을 위한 교통 신호등 검출 및 차선 상태 인식
CN113168513A (zh) * 2018-10-24 2021-07-23 伟摩有限责任公司 用于自动车辆的交通灯检测和车道状态辨识
CN109631873A (zh) * 2018-11-01 2019-04-16 百度在线网络技术（北京）有限公司 高精地图的道路生成方法、装置及可读存储介质
CN109635701B (zh) * 2018-12-05 2023-04-18 宽凳（北京）科技有限公司 车道通行属性获取方法、装置和计算机可读存储介质
CN109635701A (zh) * 2018-12-05 2019-04-16 宽凳（北京）科技有限公司 车道通行属性获取方法、装置和计算机可读存储介质
CN109949325A (zh) * 2019-02-27 2019-06-28 上海晶赞融宣科技有限公司 地图边界确定方法、装置以及计算机存储介质
CN110162589A (zh) * 2019-05-31 2019-08-23 北京百度网讯科技有限公司 道路限速值的赋值方法、装置、电子设备、计算机可读介质
CN110415527A (zh) * 2019-07-30 2019-11-05 公安部交通管理科学研究所 基于北斗地基增强技术的电动自行车监控方法及系统
CN111311945A (zh) * 2020-02-20 2020-06-19 南京航空航天大学 一种融合视觉和传感器信息的驾驶决策系统及方法
CN111582019A (zh) * 2020-03-24 2020-08-25 北京掌行通信息技术有限公司 无人车车道级场景的判定方法、系统、终端及存储介质
CN111582019B (zh) * 2020-03-24 2023-10-03 北京掌行通信息技术有限公司 无人车车道级场景的判定方法、系统、终端及存储介质
CN112082567A (zh) * 2020-09-05 2020-12-15 上海智驾汽车科技有限公司 基于改进Astar和灰狼算法结合的地图路径规划方法
CN112082567B (zh) * 2020-09-05 2023-06-02 上海智驾汽车科技有限公司 基于改进Astar和灰狼算法结合的地图路径规划方法
CN112833891A (zh) * 2020-12-31 2021-05-25 武汉光庭信息技术股份有限公司 基于卫片识别的道路数据与车道级地图数据的融合方法
CN112797991A (zh) * 2021-02-09 2021-05-14 中科大路(青岛)科技有限公司 无人驾驶车辆的行驶路径生成方法及系统
CN113051304B (zh) * 2021-04-02 2022-06-24 中国有色金属长沙勘察设计研究院有限公司 一种雷达监测数据与三维点云融合的计算方法
CN113051304A (zh) * 2021-04-02 2021-06-29 中国有色金属长沙勘察设计研究院有限公司 一种雷达监测数据与三维点云融合的计算方法
CN113837064A (zh) * 2021-09-22 2021-12-24 广州小鹏自动驾驶科技有限公司 道路识别方法、系统和可读存储介质
CN113837064B (zh) * 2021-09-22 2023-11-03 广州小鹏自动驾驶科技有限公司 道路识别方法、系统和可读存储介质
CN117109623A (zh) * 2023-10-09 2023-11-24 深圳市微克科技有限公司 一种智能穿戴式导航交互方法、系统及介质
CN117109623B (zh) * 2023-10-09 2024-09-13 深圳市微克科技股份有限公司 一种智能穿戴式导航交互方法、系统及介质

Similar Documents

Publication Publication Date Title
CN106980657A (zh) 一种基于信息融合的车道级电子地图构建方法
US20240034309A1 (en) Navigation in vehicle crossing scenarios
CN110057373B (zh) 用于生成高精细语义地图的方法、装置和计算机存储介质
JP7432285B2 (ja) レーンマッピング及びナビゲーション
CN108303103B (zh) 目标车道的确定方法和装置
Brenner Extraction of features from mobile laser scanning data for future driver assistance systems
US20210311490A1 (en) Crowdsourcing a sparse map for autonomous vehicle navigation
EP3290952B1 (en) Automatic localization geometry detection
US10248124B2 (en) Localizing vehicle navigation using lane measurements
CN106441319B (zh) 一种无人驾驶车辆车道级导航地图的生成系统及方法
JP2022166185A (ja) 自律車両ナビゲーションのための疎な地図並びにレーン測定値のクラウドソーシング及び配信
US20200257301A1 (en) Navigation by augmented path prediction
CN102208035B (zh) 图像处理系统及位置测量系统
JP5505723B2 (ja) 画像処理システム及び位置測位システム
JP2022535351A (ja) 車両ナビゲーションのためのシステム及び方法
JP2023508769A (ja) ナビゲーションのためのマップタイル要求を最適化するためのシステム及び方法
CN108445503A (zh) 基于激光雷达与高精度地图融合的无人驾驶路径规划算法
JP2023532482A (ja) 開いている扉を検出するためのシステムおよび方法
CN116997771A (zh) 车辆及其定位方法、装置、设备、计算机可读存储介质
CN112880692A (zh) 地图数据标注方法及装置、存储介质
CN115205803A (zh) 自动驾驶环境感知方法、介质及车辆
CN118365812A (zh) 地图构建方法及装置
Křehlík et al. Minimum required accuracy for HD maps
CN115164924A (zh) 基于视觉ai的融合定位方法、系统、设备及存储介质
CN113390422B (zh) 汽车的定位方法、装置及计算机存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20170725

RJ01 Rejection of invention patent application after publication