System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及智能驾驶领域,尤其涉及一种车道线标签生成方法、装置、设备及存储介质。
技术介绍
1、在智能驾驶领域中,基于深度学习的感知算法发挥了巨大作用,而深度学习模型的训练离不开人工标注的数据。当前主流的方案是单摄像头方案,利用前置摄像头进行拍摄记录,标注员再逐帧对照片中道路的车道线的位置、方向、宽度、类别、颜色、遮挡情况等进行描点标注。车道线任务的训练标签需要人工标注后再处理生成。
2、现有车道线标签的生成方式离不开人工标注这一环节。标注员需逐帧对摄像头拍摄的图像进行查看,因此存在冗余标注的问题,并且人工标注方式效率较低,每次车道线的标注工作都需要重新采集数据和重新安排人工标注,因此实施成本也较高。
技术实现思路
1、本专利技术的主要目的在于解决现有基于人工标注车道线标签的方式存在标注效率低且实施成本高的问题。
2、本专利技术第一方面提供了一种车道线标签生成方法,所述车道线标签生成方法包括:
3、基于车载传感器采集的路面信息,生成不同位置区域的局部点云数据;
4、基于各局部点云数据,构建全局区域的高精度地图;
5、从所述高精度地图中,获取当前车辆自身及周边的车道线信息;
6、基于深度学习模型的训练需求,将所述车道线信息输出为相应内容格式的车道线标签。
7、可选的,在本专利技术第一方面的第一种实现方式中,所述车载传感器包括激光雷达和若干摄像头,所述基于车载传感器采集的路面信息,生成不同位置区域的局
8、在车辆行驶过程中,通过激光雷达和摄像头采集路面信息,并对应生成不同位置区域的局部点云数据与局部图像数据;
9、其中,当存在激光雷达采集失效的位置区域时,基于所述局部图像数据,对激光雷达采集失效的位置区域进行局部点云数据的脑补标注。
10、可选的,在本专利技术第一方面的第二种实现方式中,所述基于各局部点云数据,构建全局区域的高精度地图包括:
11、采用预置点云匹配算法将不同位置区域生成的局部点云数据进行匹配融合,得到全局区域内包含道路拓扑信息的全局点云数据;
12、获取标注所述全局点云数据生成的各车道线的关键点,并对同一车道线的各关键点进行连线,得到标注生成的不同位置区域的车道线;
13、基于所述全局点云数据中的道路拓扑信息以及标注生成的不同位置区域的车道线,生成全局区域的高精度地图;
14、其中,当存在车道线缺失的位置区域时,基于已标记的车道线的沿线,对车道线缺失的位置区域进行虚拟车道线的脑补标注。
15、可选的,在本专利技术第一方面的第三种实现方式中,所述从所述高精度地图中,获取当前车辆自身及周边的车道线信息包括:
16、获取当前车辆的位置信息;
17、基于所述位置信息,确定当前车辆在所述高精度地图中所在车道;
18、从所述高精度地图中,获取当前车辆所在车道的第一车道线信息;
19、基于所述第一车道线信息,在所述高精度地图中对当前车辆所在车道进行拓扑延伸搜索,得到当前车辆周边车道的第二车道线信息。
20、可选的,在本专利技术第一方面的第四种实现方式中,在所述从所述高精度地图中,获取当前车辆自身及周边的车道线信息之后,还包括:
21、从所述第一车道线信息和所述第二车道线信息中,获取各车道线实例的拓扑信息;
22、基于各车道线实例的拓扑信息,分别对所述第一车道线信息与所述第二车道线信息中的各车道线实例进行合并,得到连续的车道线实例。
23、可选的,在本专利技术第一方面的第五种实现方式中,所述车道线标签生成方法还包括:
24、获取所述第一车道线信息和所述第二车道线信息中的关键点坐标;
25、分别将所述关键点坐标转换为以自车为中心的鸟瞰图坐标。
26、可选的,在本专利技术第一方面的第六种实现方式中,所述车道线标签生成方法还包括:
27、对所述第一车道线信息和所述第二车道线信息中的关键点进行插值处理,删除摄像头可视距离范围之外车道线的关键点,并对各车道线的关键点进行等比例缩小处理。
28、本专利技术第二方面提供一种车道线标签生成装置,所述车道线标签生成装置包括:
29、生成模块,用于基于车载传感器采集的路面信息,生成不同位置区域的局部点云数据;
30、构建模块,用于基于各局部点云数据,构建全局区域的高精度地图;
31、获取模块,用于从所述高精度地图中,获取当前车辆自身及周边的车道线信息;
32、输出模块,用于基于深度学习模型的训练需求,将所述车道线信息输出为相应内容格式的车道线标签。
33、可选的,在本专利技术第二方面的第一种实现方式中,所述车载传感器包括激光雷达和若干摄像头,所述生成模块具体用于:
34、在车辆行驶过程中,通过激光雷达和摄像头采集路面信息,并对应生成不同位置区域的局部点云数据与局部图像数据;
35、其中,当存在激光雷达采集失效的位置区域时,基于所述局部图像数据,对激光雷达采集失效的位置区域进行局部点云数据的脑补标注。
36、可选的,在本专利技术第二方面的第二种实现方式中,所述构建模块具体用于:
37、采用预置点云匹配算法将不同位置区域生成的局部点云数据进行匹配融合,得到全局区域内包含道路拓扑信息的全局点云数据;
38、获取标注所述全局点云数据生成的各车道线的关键点,并对同一车道线的各关键点进行连线,得到标注生成的不同位置区域的车道线;
39、基于所述全局点云数据中的道路拓扑信息以及标注生成的不同位置区域的车道线,生成全局区域的高精度地图;
40、其中,当存在车道线缺失的位置区域时,基于已标记的车道线的沿线,对车道线缺失的位置区域进行虚拟车道线的脑补标注。
41、可选的,在本专利技术第二方面的第三种实现方式中,所述获取模块具体用于:
42、获取当前车辆的位置信息;
43、基于所述位置信息,确定当前车辆在所述高精度地图中所在车道;
44、从所述高精度地图中,获取当前车辆所在车道的第一车道线信息;
45、基于所述第一车道线信息,在所述高精度地图中对当前车辆所在车道进行拓扑延伸搜索,得到当前车辆周边车道的第二车道线信息。
46、可选的,在本专利技术第二方面的第四种实现方式中,所述车道线标签生成装置还包括:
47、合并模块,用于从所述第一车道线信息和所述第二车道线信息中,获取各车道线实例的拓扑信息;基于各车道线实例的拓扑信息,分别对所述第一车道线信息与所述第二车道线信息中的各车道线实例进行合并,得到连续的车道线实例。
48、可选的,在本专利技术第二方面的第五种实现方式中,所述车道线标签生成装置还包括:
49、坐标转换模块,用于获取所述第一车道线信息和所述第二车道线信息中的关键本文档来自技高网...
【技术保护点】
1.一种车道线标签生成方法,其特征在于,所述车道线标签生成方法包括:
2.根据权利要求1所述的车道线标签生成方法,其特征在于,所述车载传感器包括激光雷达和若干摄像头,所述基于车载传感器采集的路面信息,生成不同位置区域的局部点云数据包括:
3.根据权利要求2所述的车道线标签生成方法,其特征在于,所述基于各局部点云数据,构建全局区域的高精度地图包括:
4.根据权利要求3所述的车道线标签生成方法,其特征在于,所述从所述高精度地图中,获取当前车辆自身及周边的车道线信息包括:
5.根据权利要求4所述的车道线标签生成方法,其特征在于,在所述从所述高精度地图中,获取当前车辆自身及周边的车道线信息之后,还包括:
6.根据权利要求5所述的车道线标签生成方法,其特征在于,所述车道线标签生成方法还包括:
7.根据权利要求6所述的车道线标签生成方法,其特征在于,所述车道线标签生成方法还包括:
8.一种车道线标签生成装置,其特征在于,所述车道线标签生成装置包括:
9.一种计算机设备,其特征在于,所述计算机设备包
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的车道线标签生成方法。
...【技术特征摘要】
1.一种车道线标签生成方法,其特征在于,所述车道线标签生成方法包括:
2.根据权利要求1所述的车道线标签生成方法,其特征在于,所述车载传感器包括激光雷达和若干摄像头,所述基于车载传感器采集的路面信息,生成不同位置区域的局部点云数据包括:
3.根据权利要求2所述的车道线标签生成方法,其特征在于,所述基于各局部点云数据,构建全局区域的高精度地图包括:
4.根据权利要求3所述的车道线标签生成方法,其特征在于,所述从所述高精度地图中,获取当前车辆自身及周边的车道线信息包括:
5.根据权利要求4所述的车道线标签生成方法,其特征在于,在所述从所述高精度地图中,获取当...
【专利技术属性】
技术研发人员:郭尊湖,李元策,王淑鹏,何明,
申请(专利权)人:深圳元戎启行科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。