-
公开(公告)号：CN112328718B
公开(公告)日：2022-05-17
申请号：CN202011197652.0
申请日：2020-10-31
Applicant: 武汉中海庭数据技术有限公司
Abstract: 本发明涉及一种基于车辆动态轨迹跟踪的道路拓扑构建系统和方法，该系统包括：众包车辆、轨迹数据获取单元和道路拓扑关系提取单元；众包车辆上设置有雷达、摄像头和惯性导航系统，雷达对自车周边感知范围内的动态目标进行轨迹跟踪，摄像头用于获取道路边界线的感知数据；轨迹数据获取单元根据动态目标的轨迹跟踪数据获取轨迹数据，根据道路边界线的感知数据对轨迹数据进行噪声数据剔除；道路拓扑关系提取单元根据轨迹数据进行簇中心线提取后进行道路拓扑构建。数据采集时间成本和人工成本大大降低，因此需要依赖较少的车辆及冗余采集次数实现同样的区域地图成图和更新的覆盖，降低数据采集运维成本，降低综合系统总体成本。
-
公开(公告)号：CN114485698B
公开(公告)日：2023-11-28
申请号：CN202111623443.2
申请日：2021-12-28
Applicant: 武汉中海庭数据技术有限公司
Abstract: 本发明提供一种交叉路口引导线生成方法及系统，包括：获取车辆轨迹数据；划定交叉路口范围的多边形ROI区域，通过改进的Savitzky‑Golay滤波器对ROI区域中每条车辆轨迹进行平滑滤波处理；通过K‑means算法对交叉路口ROI区域的车辆轨迹数据粗分类；对粗分类后的轨迹簇，通过DBSCAN空间密度聚类算法将驶入和驶出车道均相同的轨迹线归类，并根据每条轨迹线中的车辆类型再次进行归类；通过RANSAC曲线拟合算法对轨迹簇进行多项式曲线拟合，得到不同车型车辆对应的交叉路口引导线。通过该方案可以提高交叉路口引导线制作效率，降低人工绘制成本，实现不同车型引导线的构建，可以保障引导线的准确性并能提供安全引导。
-
公开(公告)号：CN110942211A
公开(公告)日：2020-03-31
申请号：CN201911277290.3
申请日：2019-12-12
Applicant: 武汉中海庭数据技术有限公司
Abstract: 本发明实施例提供了一种基于深度神经网络的预估达到时间预测方法及装置，方法包括：基于路径规划算法，处理用户的路径规划查询请求，输出行动轨迹；将所述行动轨迹和外部属性信息输入到训练好的深度神经网络中，输出预估驾驶时间。本发明实施例提供的一种基于深度神经网络的预估达到时间预测方法及装置，能够捕获空间相关性、时间关联性并且融合外部因素的属性信息，结合局部和全局驾驶时间估计方法。因此该网络模型取得了准确的估计驾驶时间，具有很好的鲁棒性。
-
公开(公告)号：CN111649740B
公开(公告)日：2022-09-20
申请号：CN202010514777.5
申请日：2020-06-08
Applicant: 武汉中海庭数据技术有限公司
IPC: G01C21/16
Abstract: 本发明涉及一种基于IMU(Inertial measurement unit，惯性测量单元)进行车辆高精度定位的方法及系统，该方法包括：获取HAD(Highly Automated Driving，高度自动化驾驶)地图；获取初步定位信息；使用IMU进行车辆通过减速带的识别，基于所述初步定位信息将识别出的减速带信息与所述HAD地图进行匹配，获得所述车辆的纵向定位信息；定位结果不受场景变化的影响、不受环境光照影响、在夜间能可靠定位，比视觉定位精度更高、比GNSS/RTK定位更稳定；只使用矢量高精度地图进行定位的方式保证了地图数据规模可控，能够在车上存储全国范围地图、加载、更新简单；相比现有技术方案更满足车规级所要求的可靠性、可量产的需求，具有较大的技术价值和市场竞争力。
-
公开(公告)号：CN114511590A
公开(公告)日：2022-05-17
申请号：CN202111629506.5
申请日：2021-12-28
Applicant: 武汉中海庭数据技术有限公司
Abstract: 本发明涉及一种基于单目视觉3D车辆检测与跟踪的路口多引导线构建方法，包括：根据自车单目相机捕获的图像序列数据对周围车辆进行3D检测，对检测到的车辆进行跟踪并分配id；根据检测到的车辆3D信息以及跟踪分配的车辆id进行车辆运动轨迹提取；根据提取得到的车辆运动轨迹中的各个轨迹线构建路口引导线；通过自车单目相机对他车进行3D检测与跟踪，获取其行驶轨迹，再通过轨迹线的分类与拟合，实现复杂路口的多引导线快速构建。该方法旨在降低路口引导线的构建成本，缩短高精地图构建周期。
-
Patent Agency Ranking
公开(公告)号：CN111709517A
公开(公告)日：2020-09-25
申请号：CN202010537807.4
申请日：2020-06-12
Applicant: 武汉中海庭数据技术有限公司
Abstract: 本发明涉及一种基于置信度预测系统的冗余融合定位增强的方法，包括：计算冗余融合定位系统与高精度惯导系统的定位偏差数据，将定位偏差数据输入训练好的基于深度学习的置信值拟合网络，计算出定位偏差数据对应的置信度数值；通过车辆当前时刻的速度与加速度预测出未来时刻的轨迹点，获取轨迹点对应的高精度地图属性值；将将当前时刻定位子系统置信度相关的观测量、当前时刻的置信度数值、未来时刻的轨迹点对应的高精度地图属性值输入训练好的基于深度学习的时序神经网络，计算出未来时刻的置信度数值。本发明解决了定位置信度实时评估及自动驾驶车辆根据当前的定位状态、前方的高精度地图属性，对未来时间内定位的置信度进行预测的问题。
-
公开(公告)号：CN111649740A
公开(公告)日：2020-09-11
申请号：CN202010514777.5
申请日：2020-06-08
Applicant: 武汉中海庭数据技术有限公司
IPC: G01C21/16
Abstract: 本发明涉及一种基于IMU(Inertial measurement unit，惯性测量单元)进行车辆高精度定位的方法及系统，该方法包括：获取HAD(Highly Automated Driving，高度自动化驾驶)地图；获取初步定位信息；使用IMU进行车辆通过减速带的识别，基于所述初步定位信息将识别出的减速带信息与所述HAD地图进行匹配，获得所述车辆的纵向定位信息；定位结果不受场景变化的影响、不受环境光照影响、在夜间能可靠定位，比视觉定位精度更高、比GNSS/RTK定位更稳定；只使用矢量高精度地图进行定位的方式保证了地图数据规模可控，能够在车上存储全国范围地图、加载、更新简单；相比现有技术方案更满足车规级所要求的可靠性、可量产的需求，具有较大的技术价值和市场竞争力。
-
公开(公告)号：CN114445577B
公开(公告)日：2025-04-29
申请号：CN202111681697.X
申请日：2021-12-29
Applicant: 武汉中海庭数据技术有限公司
IPC: G06T17/05 , G06N3/042 , G06N3/0455 , G06N3/08
Abstract: 本发明实施例提供一种基于图网络的预计达到时间计算方法和系统，同时对历史轨迹数据的车辆类型和天气信息进行挖掘。在时间和空间信息深度融合方面，采用最自然的图神经网络进行建模，充分考虑局部区域内连通路段车流速度相互影响，以最贴切的图结构对道路拓扑进行建模。通过将轨迹数据在图结构上投影，通过特征建模的方式将时间信息和空间结构信息充分融合；在特征建模过程中引入高精度地图中影响车辆流通的道路属性信息，如路段道路类型，路段最高限速，路段车道数，是否是路口等，这些信息以信息嵌入的方式引入到静态图网络建模中；先利用利用缓存机保证查询的实时性，其次是将世界划分成局部片区，保证图网络训练稳定性和收敛速度。
-
公开(公告)号：CN111709517B
公开(公告)日：2022-07-29
申请号：CN202010537807.4
申请日：2020-06-12
Applicant: 武汉中海庭数据技术有限公司
Abstract: 本发明涉及一种基于置信度预测系统的冗余融合定位增强的方法，包括：计算冗余融合定位系统与高精度惯导系统的定位偏差数据，将定位偏差数据输入训练好的基于深度学习的置信值拟合网络，计算出定位偏差数据对应的置信度数值；通过车辆当前时刻的速度与加速度预测出未来时刻的轨迹点，获取轨迹点对应的高精度地图属性值；将将当前时刻定位子系统置信度相关的观测量、当前时刻的置信度数值、未来时刻的轨迹点对应的高精度地图属性值输入训练好的基于深度学习的时序神经网络，计算出未来时刻的置信度数值。本发明解决了定位置信度实时评估及自动驾驶车辆根据当前的定位状态、前方的高精度地图属性，对未来时间内定位的置信度进行预测的问题。
-
公开(公告)号：CN114511080A
公开(公告)日：2022-05-17
申请号：CN202111643789.9
申请日：2021-12-29
Applicant: 武汉中海庭数据技术有限公司
IPC: G06N3/08 , G06V10/762 , G06K9/62 , G01S19/37
Abstract: 本发明涉及一种模型构建方法、装置以及异常轨迹点实时检测方法。本发明通过获取历史轨迹数据并对所述历史轨迹数据进行预处理，提取历史轨迹数据中异常轨迹，构建模型训练数据；然后提取异常轨迹中每个轨迹点的特征向量，并对每个轨迹点进行相对位置编码；最后将每个轨迹点的特征向量以及相对位置编码作为输入，对transformer网络模型进行训练，得到异常轨迹点实时检测模型。本发明采用基于transformer模块的神经网络模型，对时序轨迹序列进行建模，对每个轨迹点给出异常和非异常的标签。提高异常轨迹点检测的准确率和效率。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.029 seconds)
