排序方式： 共有3条查询结果，搜索用时 16 毫秒
1
1.
高精地图是自动驾驶的“传感器”,为自动驾驶提供必要的先验数据以及相应的超视距感知、校验定位、动态规划和决策控制。然而,高精地图数据供给与自动驾驶知识需求仍存在鸿沟,包括数据量大导致查询困难、数据关联弱导致语义理解和智能决策困难。知识图谱是将知识以图的结构表达出来,以描述实体及其关系,涉及实体抽取和关系抽取。为此,在高精地图数据基础上,引入知识图谱,提出高精地图知识图谱的构建方法,以架起地图数据供给与驾驶知识需求之间的桥梁,支撑高精地图数据到自动驾驶知识的转化。构建的知识图谱实例,一方面将高精地图海量数据采用图进行了二次表达,建立了类似于索引的结构;另一方面显式表达了面向自动驾驶需求的语义关系。实验结果表明,知识图谱能为高精地图的语义查询、知识推理和局部决策规划提供基础。所提出的方法能实现高精地图先验数据的语义结构化,推进高精地图由数据到信息到知识的跨越,为自动驾驶的落地贡献先验知识。 相似文献
2.
基于MODIS的秦巴山地气温估算与山体效应分析 总被引：1，自引：0，他引：1
秦巴山地作为横亘在中国南北过渡带的巨大山脉,其山体效应对中国中部植被和气候的非地带性分布产生了重要的影响,山体内外同海拔的温差是表征山体效应大小较为理想的指标。本研究结合MODIS地表温度（LST）数据、STRM-1 DEM数据和秦巴山地的118个气象站点的观测数据,分别采用普通线性回归（OLS）和地理加权回归（GWR）两种分析方法对秦巴山地的气温进行估算,在此基础上将秦巴山地各月气温转换为同海拔（1500 m,秦巴山地平均海拔）气温,对比分析秦巴山地的山体效应。结果表明：① 相比OLS分析,GWR分析方法的精度更高,各月回归模型的R 2均在0.89以上,均方根误差（RMSE）在0.68~0.98 ℃之间。② 利用GWR估算得到的同海拔气温,从东向西随海拔升高呈现了明显的升高的趋势,秦岭西部山地比东段升高约6 ℃和4.5 ℃;大巴山西部山地年均和7月份同海拔的气温较东段升高约8 ℃和5 ℃。③ 从南向北,以汉江为分界,秦岭与大巴山的同海拔的气温均呈现出由山体边缘向内部升高的趋势。④ 秦巴山地西部大起伏高山,秦岭大起伏高中山和大巴山大起伏中山,相比豫西汉中中山谷地,各月均同海拔气温分别升高了约3.85~9.28 ℃、1.49~3.34 ℃和0.43~3.05 ℃,平均温差约为3.50 ℃,说明秦巴山地大起伏中高山的山体效应十分明显。 相似文献
3.
高精地图作为自动驾驶中不可或缺的环节,其发展将在很大程度上影响自动驾驶水平。现有高精地图模型多样,面向机器思维不足,缺乏面向“人-车-路-图”的系统思维。基于分层更明确、要素更全面和用户特征更突出三方面的考量,细化和充实四层一体化高精地图模型,详细阐述了静态数据层、道路实时信息层、车辆动态信息层和用户模型层的内容和功能;指出了高精地图云边端协同更新机制、路口安全信息框架、交通事件驱动的导航决策3个关键技术如何支撑自动驾驶全局和局部路径导航决策以及车辆控制;从感知、定位、决策、控制4个层面解释了高精地图平台对自动驾驶的支持。 相似文献
1