Nothing Special   »   [go: up one dir, main page]

CN108763287B - 大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法 - Google Patents

大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法 Download PDF

Info

Publication number
CN108763287B
CN108763287B CN201810333301.4A CN201810333301A CN108763287B CN 108763287 B CN108763287 B CN 108763287B CN 201810333301 A CN201810333301 A CN 201810333301A CN 108763287 B CN108763287 B CN 108763287B
Authority
CN
China
Prior art keywords
map
tree
subgraph
sub
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
Application number
CN201810333301.4A
Other languages
English (en)
Other versions
CN108763287A (zh
Inventor
赵君峤
张兴连
贺旭东
孙路
李军
黄业韡
叶晨
冯甜甜
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN201810333301.4A priority Critical patent/CN108763287B/zh
Publication of CN108763287A publication Critical patent/CN108763287A/zh
Application granted granted Critical
Publication of CN108763287B publication Critical patent/CN108763287B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34Route searching; Route guidance
    • G01C21/3407Route searching; Route guidance specially adapted for specific applications
    • G01C21/3415Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法是一种面向无人驾驶需求的大规模可通行区域驾驶地图的全自动建图、更新以及在线分发方法。本发明提出了一种基于多线激光雷达的大规模可通行区域地图的全自动建图、更新方法与在线分发方法。利用装备有多线激光雷达的采集车实现地图构建与更新,将建图结果上传至服务器进行维护,服务器通过响应多辆无人车的在线请求分发其周边的可通行区域高精地图,从而为无人驾驶提供决策和规划参考,补充甚至部分取代无人车的自身传感器系统。可为道路上运行的多辆无人车提供高精度、高可用的可通行区域地图服务,能够提高无人驾驶的安全性并大幅降低单辆无人车传感器配置成本。

Description

大规模可通行区域驾驶地图的构建方法及其无人驾驶应用 方法
技术领域
本发明是一种面向无人驾驶需求的大规模可通行区域驾驶地图的全自动建图、更新以及在线分发方法。可为道路上运行的多辆无人车提供高精度、高可用的可通行区域地图服务,作为其自主决策参考与行驶保障,能够提高无人驾驶的安全性并大幅降低单辆无人车传感器配置成本。
背景技术
当前无人驾驶对高精度驾驶地图的需求日益增大,而现有的依赖人工或半自动的建图方法信息丰富,但效率低下,更新困难,代价高昂。基于激光雷达原始点云的高精度建图存储代价高,难以扩展到大规模与多车共用。而基于计算机视觉的特征建图主要用于定位,无法提供无人车决策所需的可通行区域范围。在机器人领域常用的基于概率格网的建图方法能够实现在小范围区域,如室内空间,对障碍物分布的全自动建图。但现有技术受到概率格网内存存储的容量限制,无法扩展到大规模的场景中。因此,当前迫切需要一种自动化、高可用且大规模的建图与更新系统来满足无人车驾驶对地图的需求。
发明内容
本发明面向无人驾驶应用需求,提出了一种基于多线激光雷达的大规模可通行区域地图的全自动建图、更新方法与在线分发方法。利用装备有多线激光雷达的采集车实现地图构建与更新,将建图结果上传至服务器进行维护,服务器通过响应多辆无人车的在线请求分发其周边的可通行区域高精地图,从而为无人驾驶提供决策和规划参考,补充甚至部分取代无人车的自身传感器系统。
本发明所采用的技术方案是(附系统流程图11):
需要保护的方法技术方案一
一种大规模可通行区域驾驶地图的构建方法,其特征在于,包括如下步骤:
1、采集车系统上,使用多线激光雷达对道路环境进行扫描,利用高差实现地面滤除与障碍物分割,得到实时的道路边界障碍物分布图;结合差分全球卫星导航系统(GNSS)与惯性导航设备提供的高精度位姿信息,对多帧的道路边界障碍物分布进行可通行区域概率格网建图。(该步骤沿用了已有通用的常规技术)
2、采集车系统上,在概率格网建图过程中根据雷达帧数与采集车运动变化量进行自适应的子图分块构建,并引入R-Tree将不同大小的子图作为结点构建空间索引。实时根据R-Tree将远离采集车的结点移出内存并存储在磁盘上,并同时将磁盘中已存在的临近采集车的结点读回内存,从而实现建图过程中的内存动态调度,实现大规模建图(该步骤为本方法创新之一)。
3、在建图暂停后将R-Tree及其所有结点数据存储到磁盘。其可继续由采集车建图系统读取并恢复建图过程,从而实现对已建图区域的更新和扩展建图,采集车系统实现了地图大规模建图和更新的自动化(该步骤为本方法创新之一)。
需要保护的方法技术方案二
1.一种大规模可通行区域驾驶地图构建后其在无人驾驶应用方法,其特征在于,采集车系统在建图完成之后,将R-Tree及其所有子图数据上传至服务器,提供地图在线分发服务。服务器响应多个无人车客户端的并发请求,利用R-Tree索引快速搜索无人车客户端所临近的子图结点,并对子图进行融合,实时发送给无人车,从而辅助其进行超越可见范围内的高精度可通行区域地图,辅助无人驾驶的决策和规划过程(该步骤为本方法创新)。
本发明的有益效果是:
1、实现面向无人驾驶需求的高精度可通行区域地图的全自动建图和更新,无需人工交互,并可中断并恢复建图过程,技术可用性高;
2、通过服务器对建图结果进行维护,能够并发响应多个无人车客户端的地图请求,并快速按需分发高精度的可通行区域地图融合结果,从而降低无人车系统的感知代价,能够有效降低无人车感知系统的成本;
创新点:
1.基于一体化R-Tree的空间索引,在建图、更新、扩建以及地图分发服务中实现高效的子图搜索以及内存动态调度,从而能够在有限的内存占用条件下实现任意规模的地图构建,以及实时的地图分发与融合;
提供了一种面向无人车系统的高可用、高精度的可通行区域地图,能够弥补无人车自身传感器的缺陷,降低配置成本,并提高驾驶安全性。
附图说明
图1地图采集车处理平台示意
图2道路可通行区域提取前后效果(前(a);后(b))
图3自适应地图分块与内存动态调度流程图(步骤2)
图4 R-Tree空间索引图示(其中R8-R19部分列举具体二维几何数据)
图5子图与全局地图示意
图6地图的更新与扩展建图流程图(步骤3)
图7客户端请求与处理流程图(步骤4)
图8大范围可通行区域的建图结果示例
图9可通行区域地图融合结果
图10实施例2地图处理、分发系统示意图
图11建图系统及应用的流程框图
具体实施方式
无人车的行驶路径规划依赖于对周围环境的感知,而传感器受限于分辨率、遮挡、天气等因素影响,难以鲁棒提取可通行区域范围。因此,通过采集车对路沿、护栏等静态障碍物所限定的可通行区域的高精度自动建图,并利用服务器进行在线分发,可为多辆无人车提供高可用的可通行区域地图信息,保证其决策与路径规划的正确性,并降低无人车对自身传感器的依赖,进而降低其成本。基于本发明技术方案,以下结合附图对本发明技术方案做更为详细的介绍。
各个步骤依次为:
实施例1
大规模可通行区域驾驶地图的构建过程
1、可通行区域的提取与概率格网建图
1.1基于多线激光雷达的可通行区域提取
通过安置于采集平台车的多线激光雷达(如图1),对车辆周边道路环境进行扫描。利用基于高差的点云筛选方法,获得道路边界障碍分布,即可通行区域。
1.1.1多线激光雷达布置与外参数标定
本发明采用多线激光雷达(多个16线、32线或单个64线等),安置于采集车车顶。使其扫描区域能够覆盖整个道路区域。利用自动或手动方法,对激光雷达的外参数进行标定。通过坐标系变换将雷达坐标系中表达的三维点云转换至车辆局部定位坐标系下。
1.1.2可通行区域提取
将雷达可见平面范围划分为大小为1m*1m的网格单元,统计每一个网格单元区域内三维点云高度值的最小值zmin,给定阈值Δ1,将该区域点云数据中坐标满足z-zmin1的点标记为障碍物点。再将障碍物点投影到建图所需分辨率的二维网格单元地图(如0.2m*0.2m)。遍历网格单元,统计每个网格单元中的障碍物点数,并与车辆的垂直可通行范围进行对比。如有障碍物点位于车辆的通行范围内,则将该网格单元标记为障碍物单元,其余则为可通行区域。可通行区域提取前后如图2所示。
1.2可通行区域概率格网建图
由于单帧的可通行区域提取结果可能由于噪声等原因导致的鲁棒性问题,因此本发明需要利用多帧的提取结果进行概率格网建图。以建图起点作为全局地图坐标系原点,正东、正北分别为X、Y正方向,建立笛卡尔坐标系。建图过程中,通过实时获取采集车高精度位姿,将点云由车辆局部定位坐标系转换至全局坐标系(见步骤1.2.1)。利用多帧可通行区域提取结果对网格单元地图中的障碍物概率值进行初始化与更新,实现概率格网建图(见步骤1.2.2)。
1.2.1位姿数据获取与坐标系转换
通过扩展卡尔曼滤波对RTK GPS、惯导、车辆车速信息进行融合,实现在RTK GPS良好以及暂时缺失的区域获取高频率、高精度的车辆位姿数据。然后利用坐标变换将可通行区域中的障碍物坐标由车辆局部定位坐标系转换至全局坐标系(式1)。
Figure BDA0001628542460000031
其中P(px_global,py_global)代表全局坐标系下的障碍格网坐标,P(px_local,px_local)代表车辆局部定位坐标系下的障碍格网坐标,θ为航向角,Δx、Δy为车辆局部定位坐标系原点与建图原点之间的偏移量。
1.2.2概率格网地图初始化与更新
概率格网地图使用概率值描述某一个地图网格单元作为障碍的可能性。设定概率值越高代表网格单元为障碍的可能性越大。基于每帧的可通行区域提取结果,将概率格网地图中对应的网格单元划分为有障碍(hit)与无障碍(miss)两个集合,分配概率值为phit=0.55或pmiss=0.45。若网格单元已被初始化,后续根据每帧可通行区域提取结果对网格单元概率值进行概率更新(见式2)。
Figure BDA0001628542460000041
其中Mnew为更新后的网格单元概率值,Mold为更新前的网格单元概率值,clamp为对概率值的有效范围进行限制的函数。
2、自适应分块与动态内存调度
步骤1中的概率格网地图需要根据建图范围分配固定大小的内存空间,因此受内存大小限制难以扩展到大规模场景下的建图应用。因此,为了实现大规模建图,本发明需对概率格网地图进行自适应分块,构建子图。并本发明又提出对所述子图构建R-Tree空间索引,实现子图的动态调度机制的方法实现内存占用基本恒定,流程图见图3。
详述如下:
2.1地图自适应分块
提出一种自适应的地图分块方法,其综合了雷达扫描帧数量与采集车运动变化量,在建图过程中自动对格网地图进行分块。首先,初始子图范围为以当前位置为中心点,范围a0*a0的正方形区域。当有效扫描帧数超过设定阈值或采集车运动到子图范围外,则完成当前子图构建。对子图分配ID,并创建该子图的最小外包围矩形(MBR),作为一个结点插入到R-Tree中。同时新建一个子图并初始化用于接收数据,相邻子图含有重叠部分(约子图大小的10%)。
2.2基于R-Tree的内存动态调度
所述R-Tree是一棵动态平衡搜索树,R-Tree及其各类变种的平均操作复杂度为对数阶,从而可以高效地对MBR所表示的空间对象进行索引的插入、更新、删除和搜索等操作。
2.2.1R-Tree的维护
所述R-Tree中每一个结点包含1至n个由子图编号ID与空间对象的MBR组成的单元,即(MBR,ID)。其中n为可调参数,用于聚类临近单元从而降低索引数据量。向R-Tree内新增子图结点时,遵循使R-Tree结点MBR重叠区域最小的原则,选择插入位置添加新结点,将子图ID作为结点的唯一标识索引,由子图的空间坐标计算xmin、ymin与xmax、xmax范围属性,确定子图的MBR。(图4为地图R-Tree结构示例)。
2.2.2内存动态调度方法
在实时建图过程中,当子图分块被添加至R-Tree中后,同时基于R-Tree进行空间查询(见步骤4.2),搜索车辆当前位置附近的n张子图,将其余子图按标识ID写出转移保存到磁盘并从内存中去除。当车辆移动到已建图区域时,通过R-Tree索引搜索结点编号,由磁盘读取对应的子图分块并加载到内存中,进行格网地图更新。如此,子图在内存、磁盘中进行动态的移出与回读,实现内存的动态调度,保证了建图系统的内存占用恒定,从而实现了大规模建图(图5为子图、全局地图结果)。
3、大规模可通行区域地图自动扩展与更新
由于在实用中无法单次完成大规模区域的建图,并且因道路修建、路线变更等原因需要对地图进行更新,故要求建图结果易于更新与扩展。
本发明所提出的建图系统可利用动态调度方法,根据当前位置坐标恢复到上一次的建图流程中:当建图完成后,将生成的可通行区域地图文件输出,同时存储地图的起始位置坐标及子图分块信息的R-Tree空间索引至磁盘。
需进行地图扩展或更新时,读取磁盘中的子图文件、以及对应的R-Tree空间索引与起始位置配置信息,可将建图系统恢复到前次建图流程中,在已有的建图区域的基础上,从任意位置对地图进行多次概率更新与新区域扩展建图,达到增量式建图与自动更新,从而实现大规模地图的建图和维护,流程图见
图6。
实施例2
以下在实施例1的基础上进一步给出步骤4介绍建图后在无人驾驶中的应用
4、可通行区域地图管理与应用,流程图见图7。
为实现无人车客户端的并发地图服务,以MapServer开源地图引擎构建服务器平台,用于发布基于实施例1最终建立的大规模可通行区域驾驶地图。由于整个可通行区域地图由多个重叠的子图构成,根据客户端位置坐标,通过R-Tree空间索引,高效完成子图搜索、融合、在线分发的任务。对于多个子图的重叠区域,使用加权方式融合重叠区域的概率格网,生成最终的可通行区域二值地图。
4.1基于位置的客户端搜索请求
当无人驾驶中客户端向服务器发送地图请求时,基于用户的位置,服务器端利用与子图数据对应的R-Tree进行邻近子图搜索(具体方法见实施步骤4.2),将查询到符合距离条件的子图数据作为融合对象。
4.2基于R-Tree的子图搜索
在给出一个以客户端车身周边范围为(L*W)的矩形作为空间目标搜索矩形的搜索请求后,从R-Tree的根节点进行递归遍历,通过以平均时间复杂度O(logN)的方式自顶向下遍历R-Tree所包含的结点指针,进行空间多边形包含查询(N为索引数据总数),快速查询获取车辆当前位置附近的n张子图索引ID。
4.3子图融合
对包含重叠区域的n个子图根据时间戳分配值wi,将最终可通行区域地图格网的概率pi(i=1,2...n)进行加权平均,得到障碍物概率值表示结果p′(式3)。取概率阈值θ作为障碍分类依据,将p′>θ的格网单元标记为障碍物,则可获得无人车可通行区域的二值地图,如图8所示。根据无人车客户端的位姿,可获得当前位姿下的可通行区域无人车局部地图,为驾驶决策与路径规划提供高精度的分析参考(如图9所示),对车辆自身传感器的感知范围、障碍结果进行补充。
Figure BDA0001628542460000051
4.4在线分发
系统基于成熟的地图引擎,可响应多客户端的地图请求,实现快速的地图下载与缓存,满足无人驾驶的实时性需求。地图的管理与分发系统流程如图10所示。

Claims (3)

1.一种大规模可通行区域驾驶地图的构建方法,其特征在于,包括如下步骤:
步骤1、采集车系统上,使用多线激光雷达对道路环境进行扫描,利用高差实现地面滤除与障碍物分割,得到实时的道路边界障碍物分布图;结合差分全球卫星导航系统与惯性导航设备提供的高精度位姿信息,对多帧的道路边界障碍物分布进行可通行区域概率格网建图;
步骤2、采集车系统上,在概率格网建图过程中根据雷达帧数与采集车运动变化量进行自适应的子图分块构建,并引入R-Tree将不同大小的子图作为结点构建空间索引;实时根据R-Tree将远离采集车的结点移出内存并存储在磁盘上,并同时将磁盘中已存在的临近采集车的结点读回内存,从而实现建图过程中的内存动态调度,实现大规模建图;
步骤3、在建图暂停后将R-Tree及其所有结点数据存储到磁盘;其继续由采集车建图系统读取并恢复建图过程,从而实现对已建图区域的更新和扩展建图,采集车系统实现了地图大规模建图和更新的自动化;
步骤1中的概率格网地图根据建图范围分配固定大小的内存空间,因此受内存大小限制难以扩展到大规模场景下的建图应用;因此,为了实现大规模建图,对概率格网地图进行自适应分块,构建子图;对所述子图构建R-Tree空间索引,实现子图的动态调度机制的方法实现内存占用基本恒定;
详述如下:
2.1地图自适应分块
提出一种自适应的地图分块方法,其综合了雷达扫描帧数量与采集车运动变化量,在建图过程中自动对格网地图进行分块;首先,初始子图范围为以当前位置为中心点,范围a0*a0的正方形区域;当有效扫描帧数超过设定阈值或采集车运动到子图范围外,则完成当前子图构建;对子图分配ID,并创建该子图的最小外包围矩形(MBR),作为一个结点插入到R-Tree中;同时新建一个子图并初始化用于接收数据,相邻子图含有重叠部分;
2.2基于R-Tree的内存动态调度
所述R-Tree是一棵动态平衡搜索树,R-Tree及其各类变种的平均操作复杂度为对数阶,从而对MBR所表示的空间对象进行索引的插入、更新、删除和搜索操作;
2.2.1 R-Tree的维护
所述R-Tree中每一个结点包含1至n个由子图编号ID与空间对象的MBR组成的单元;其中n为可调参数,用于聚类临近单元从而降低索引数据量;向R-Tree内新增子图结点时,遵循使R-Tree结点MBR重叠区域最小的原则,选择插入位置添加新结点,将子图ID作为结点的唯一标识索引,由子图的空间坐标计算xmin、ymin与xmax、ymax范围属性,确定子图的MBR;
2.2.2内存动态调度方法
在实时建图过程中,当子图分块被添加至R-Tree中后,同时基于R-Tree进行空间查询,搜索车辆当前位置附近的n张子图,将其余子图按标识ID写出转移保存到磁盘并从内存中去除;当车辆移动到已建图区域时,通过R-Tree索引搜索结点编号,由磁盘读取对应的子图分块并加载到内存中,进行格网地图更新;如此,子图在内存、磁盘中进行动态的移出与回读,实现内存的动态调度,保证了建图系统的内存占用恒定,从而实现了大规模建图。
2.根据权利要求1所述的一种大规模可通行区域驾驶地图的构建方法,其特征在于,步骤3中所述建图系统利用动态调度方法,根据当前位置坐标恢复到上一次的建图流程中:当建图完成后,将生成的可通行区域地图文件输出,同时存储地图的起始位置坐标及子图分块信息的R-Tree空间索引至磁盘;
需进行地图扩展或更新时,读取磁盘中的子图文件、以及对应的R-Tree空间索引与起始位置配置信息,将建图系统恢复到前次建图流程中,在已有的建图区域的基础上,从任意位置对地图进行多次概率更新与新区域扩展建图,达到增量式建图与自动更新,从而实现大规模地图的建图和维护。
3.一种大规模可通行区域驾驶地图构建后其在无人驾驶应用方法,其特征在于,采集车系统在建图完成之后,将R-Tree及其所有子图数据上传至服务器,提供地图在线分发服务;服务器响应多个无人车客户端的并发请求,利用R-Tree索引快速搜索无人车客户端所临近的子图结点,并对子图进行融合,实时发送给无人车,从而辅助其进行超越可见范围内的高精度可通行区域地图,辅助无人驾驶的决策和规划过程;
包括步骤:
4.1基于位置的客户端搜索请求
当无人驾驶中客户端向服务器发送地图请求时,基于用户的位置,服务器端利用与子图数据对应的R-Tree进行邻近子图搜索,将查询到符合距离条件的子图数据作为融合对象;
4.2基于R-Tree的子图搜索
在给出一个以客户端车身周边范围为L*W的矩形作为空间目标搜索矩形的搜索请求后,从R-Tree的根节点进行递归遍历,通过以平均时间复杂度O(logN)的方式自顶向下遍历R-Tree所包含的结点指针,进行空间多边形包含查询,快速查询获取车辆当前位置附近的n张子图索引ID;N为索引数据总数;
4.3子图融合
对包含重叠区域的n个子图根据时间戳分配值wi,将最终可通行区域地图格网的概率pi进行加权平均,i=1,2...n,得到障碍物概率值表示结果p′;取概率阈值θ作为障碍分类依据,将p′>θ的格网单元标记为障碍物,则可获得无人车可通行区域的二值地图;根据无人车客户端的位姿,获得当前位姿下的可通行区域无人车局部地图,为驾驶决策与路径规划提供高精度的分析参考,对车辆自身传感器的感知范围、障碍结果进行补充;
Figure FDA0003200625470000031
4.4在线分发
系统基于地图引擎,响应多客户端的地图请求,实现快速的地图下载与缓存,满足无人驾驶的实时性需求。
CN201810333301.4A 2018-04-13 2018-04-13 大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法 Active CN108763287B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810333301.4A CN108763287B (zh) 2018-04-13 2018-04-13 大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810333301.4A CN108763287B (zh) 2018-04-13 2018-04-13 大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法

Publications (2)

Publication Number Publication Date
CN108763287A CN108763287A (zh) 2018-11-06
CN108763287B true CN108763287B (zh) 2021-11-12

Family

ID=64010726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810333301.4A Active CN108763287B (zh) 2018-04-13 2018-04-13 大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法

Country Status (1)

Country Link
CN (1) CN108763287B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109738910A (zh) * 2019-01-28 2019-05-10 重庆邮电大学 一种基于三维激光雷达的路沿检测方法
DE102019107414A1 (de) * 2019-03-22 2020-09-24 Zf Automotive Germany Gmbh Verfahren sowie Steuergerät für ein System zum Steuern eines Kraftfahrzeugs
CN109855630A (zh) * 2019-03-26 2019-06-07 盐城工学院 一种智能机器人的地图建模方法
CN110243369A (zh) * 2019-04-30 2019-09-17 北京云迹科技有限公司 适用于机器人定位的远程建图方法及装置
CN110209750B (zh) * 2019-05-08 2022-04-26 杭州迦智科技有限公司 地图处理方法、装置、存储介质及处理器
CN110456745B (zh) * 2019-07-29 2022-08-23 湖南大学 一种全自动地下采矿运输系统
CN110426035B (zh) * 2019-08-13 2023-01-24 哈尔滨理工大学 一种基于单目视觉和惯导信息融合的定位及建图方法
CN110608739B (zh) * 2019-08-21 2021-07-27 深圳市人工智能与机器人研究院 干扰环境下运动目标的定位方法、系统及电子装置
CN110487293A (zh) * 2019-08-29 2019-11-22 湖南大学 一种基于大规模道路网络的高效且隐私的路径规划方法
CN110851556B (zh) * 2019-11-20 2023-02-17 苏州博众智能机器人有限公司 移动机器人建图方法、装置、设备及存储介质
CN113498474B (zh) * 2020-01-21 2024-07-19 深圳元戎启行科技有限公司 高精度地图更新方法、装置、计算机设备和存储介质
CN111397611B (zh) * 2020-03-05 2022-07-05 北京百度网讯科技有限公司 路径规划方法、装置以及电子设备
CN111623788A (zh) * 2020-05-29 2020-09-04 长沙酷哇人工智能及大数据产业技术研究院有限公司 用于无人驾驶的高精地图的构建方法
CN113805787A (zh) * 2020-06-11 2021-12-17 中移(苏州)软件技术有限公司 数据写入方法、装置、设备及存储介质
CN112082565B (zh) * 2020-07-30 2022-12-09 西安交通大学 一种无依托定位与导航方法、装置及存储介质
CN111949753B (zh) * 2020-08-17 2024-10-29 三一机器人科技有限公司 大场景图层切换定位过渡方法及装置
CN112180940A (zh) * 2020-10-16 2021-01-05 三一机器人科技有限公司 用于有反定位的建图方法及装置、车辆运行方法及装置
CN115143977A (zh) * 2021-03-30 2022-10-04 武汉智行者科技有限公司 一种快速的高精度地图构建方法及其装置、车辆
CN113220818B (zh) * 2021-05-27 2023-04-07 南昌智能新能源汽车研究院 一种停车场自动建图与高精度定位方法
CN115407769A (zh) * 2022-08-05 2022-11-29 金陵科技学院 基于Cartographer算法的移动搬运机器人控制方法及系统
CN115326100B (zh) * 2022-10-17 2023-03-03 北京智行者科技股份有限公司 路径规划方法、装置、自动驾驶设备及计算机存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101354261A (zh) * 2007-07-27 2009-01-28 北京灵图软件技术有限公司 导航系统的数据更新方法、数据更新装置及一种导航系统
CN101719154B (zh) * 2009-12-24 2012-03-28 北京中科通图信息技术有限公司 一种基于栅格结构的空间索引建立方法和系统
CN102982487A (zh) * 2011-09-05 2013-03-20 镇江佳得信息技术有限公司 自来水管网管理地理信息系统
US9222791B2 (en) * 2012-10-11 2015-12-29 Microsoft Technology Licensing, Llc Query scenarios for customizable route planning
CN104819724B (zh) * 2015-03-02 2018-04-03 北京理工大学 一种基于gis的无人地面车辆自主行驶辅助系统
CN106441319B (zh) * 2016-09-23 2019-07-16 中国科学院合肥物质科学研究院 一种无人驾驶车辆车道级导航地图的生成系统及方法

Also Published As

Publication number Publication date
CN108763287A (zh) 2018-11-06

Similar Documents

Publication Publication Date Title
CN108763287B (zh) 大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法
US12198364B2 (en) Computer vision systems and methods for detecting and modeling features of structures in images
KR102145109B1 (ko) 지도 생성 및 운동 객체 위치 결정 방법 및 장치
CN111220993B (zh) 目标场景定位方法、装置、计算机设备和存储介质
EP3343503B1 (en) High-precision map data processing method and apparatus, storage medium and device
CN113593017B (zh) 露天矿地表三维模型构建方法、装置、设备及存储介质
JP2019120927A (ja) グリッドマップを作成する方法及び装置
US11590989B2 (en) Training data generation for dynamic objects using high definition map data
CN108387241A (zh) 更新自动驾驶车辆的定位地图的方法和系统
CN112837414B (zh) 基于车载点云数据的三维高精度地图的构建方法
CN114509065B (zh) 地图构建方法、系统、车辆终端、服务器端及存储介质
CN115494533A (zh) 车辆定位方法、装置、存储介质及定位系统
CN112991487A (zh) 一种多线程实时构建正射影像语义地图的系统
CN117576652A (zh) 道路对象的识别方法、装置和存储介质及电子设备
CN113838129A (zh) 一种获得位姿信息的方法、装置以及系统
CN117078870A (zh) 融合高精地图与激光稀疏点云的道路环境三维重建方法
CN115014329A (zh) 一种定位初始化方法及自动驾驶系统
KR102408981B1 (ko) Nd 맵 생성방법 및 그를 활용한 맵 업데이트 방법
CN117685954B (zh) 一种用于矿区的多模态语义地图构建系统和方法
Guo et al. Occupancy grid based urban localization using weighted point cloud
CN110174115B (zh) 一种基于感知数据自动生成高精度定位地图的方法及装置
CN110472327B (zh) 城市多层温湿度感知的时空系统设计方法
KR102540624B1 (ko) 항공 라이다를 이용한 지도 생성 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램
KR102587445B1 (ko) 드론을 이용하여 시계열정보가 포함된 3차원 지도의 제작 방법
CN115628720A (zh) 一种智能三维地形图测绘方法及系统

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