CN107451521B - 车辆车道图估算 - Google Patents

车辆车道图估算 Download PDF

Info

Publication number
CN107451521B
CN107451521B CN201710279855.6A CN201710279855A CN107451521B CN 107451521 B CN107451521 B CN 107451521B CN 201710279855 A CN201710279855 A CN 201710279855A CN 107451521 B CN107451521 B CN 107451521B
Authority
CN
China
Prior art keywords
lane
vehicle
vehicles
cluster
computer
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
CN201710279855.6A
Other languages
English (en)
Other versions
CN107451521A (zh
Inventor
哈斯森内·贾姆莫西
潘卡·库马尔
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.)
Ford Global Technologies LLC
Original Assignee
Ford Global Technologies LLC
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 Ford Global Technologies LLC filed Critical Ford Global Technologies LLC
Publication of CN107451521A publication Critical patent/CN107451521A/zh
Application granted granted Critical
Publication of CN107451521B publication Critical patent/CN107451521B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/10—Path keeping
    • B60W30/12—Lane keeping
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3602—Input other than that of destination using image analysis, e.g. detection of road signs, lanes, buildings, real preceding vehicles using a camera
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096716—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information does not generate an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/65—Data transmitted between vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Navigation (AREA)
  • Instructional Devices (AREA)

Abstract

一种计算机可以从车辆传感器接收关于多个第二车辆的数据，基于第二车辆的位置数据来定义两个或多个车辆集群，每个集群包括被确定为在相同车道中行驶的两个或更多个第二车辆，根据集群识别两条或多条车道边界，并使用车道边界生成车道图。

Description

车辆车道图估算
技术领域
本发明涉及机动车辆领域，更具体地，涉及一种车辆车道图估算方法。
背景技术
传感器用于车辆中以检测道路特征，例如车道标记。这些传感器可以帮助操作者改善行驶安全性，例如避免无意的车道变换。或者，在具有通过车辆乘员进行车辆操作的有限监控或没有监控的半自主或自主车辆中，这些传感器可用于确定车道标记相对于在道路上车辆的位置。然而，车辆传感器并不总是提供足够的数据来识别车道标记，例如由于传感器故障、环境条件等。
发明内容
根据本发明，提供一种方法，包含：
在第一车辆中从多个第二车辆中的每一个接收相应的第二车辆地理位置和距车道边界区域的第二车辆横向距离；
基于接收到的数据定义两个或更多个车辆集群，每个集群包括被确定为在相同车道中行驶的两个或更多个第二车辆；
使用集群定义来识别两条或更多条车道边界；以及
使用车道边界生成车道图。
根据本发明的一个实施例，其中识别车道边界至少基于距车道边界区域的第二车辆横向距离。
根据本发明的一个实施例，其中定义两个或更多个车辆集群还包括：
基于第二车辆相互之间的距离确定车道宽度；以及
基于第二车辆相互之间的距离，将被确定为在同一车道中行驶的第二车辆分配给一集群。
根据本发明的一个实施例，其中定义两个或多个车辆集群还包括确定车道曲率。
根据本发明的一个实施例，其中确定车道曲率包括将曲线拟合到第二车辆的多个行驶位置。
根据本发明的一个实施例，其中确定车道的曲率至少基于车道曲率的统计预测。
根据本发明的一个实施例，该方法还包含接收第一车辆的横摆角，其中确定车道曲率至少部分地基于第一车辆的横摆角。
根据本发明的一个实施例，该方法还包含：
接收第一车辆的地理位置；以及
确定第一车辆所属的集群。
根据本发明的一个实施例，该方法还包含：
基于更新集群定义生成更新的车道图；以及
将更新的车道图广播到固定服务器。
根据本发明的一个实施例，其中生成更新的车道图包括改变车道宽度和改变车道数量中的至少一个。
根据本发明的一个实施例，其中集群定义进一步考虑交通数据。
根据本发明的一个实施例，其中集群定义进一步考虑道路施工数据。
根据本发明，提供一种包括处理器和存储器的计算机，存储器存储指令使得处理器被编程为：
从车辆传感器接收关于多个第二车辆的数据；
基于位置数据定义两个或更多个车辆集群，每个集群包括被确定为在相同车道中行驶的两个或更多个第二车辆；
根据集群识别两条或更多条车道边界；以及
使用车道边界以生成车道图。
根据本发明的一个实施例，其中限定两个或更多个车辆集群还包括：
基于第二车辆相互之间的距离来确定车道宽度；以及
基于第二车辆相互之间的距离将被确定为在同一车道中行驶的第二车辆分配给一集群。
根据本发明的一个实施例，其中限定两个或更多个车辆集群还包括确定车道曲率。
根据本发明的一个实施例，其中确定车道的曲率包括将曲线拟合到第二车辆的多个行进位置。
根据本发明的一个实施例，其中确定车道的曲率至少基于车道曲率的统计预测。
根据本发明的一个实施例，该车辆还包含可操作为确定车辆的横摆角的横摆率传感器，其中确定车道曲率至少部分地基于车辆的横摆角。
附图说明
图1是识别用于第一车辆的车道标记的示例性***的框图；
图2是示出在图1的***的情况下的多个车道中的多个车辆的图；
图3是用于创建车道图的示例性过程的流程图；
图4是用于定义车辆集群的示例性过程的流程图；
图5是用于识别车道边界的示例性过程的流程图。
具体实施方式
简介
图1示出了示例性车道识别***100。第一车辆110中的计算机112(有时为了方便起见被称为“主”车辆110)包含处理器和存储器，该存储器存储指令使得处理器被编程用于包括如本文所述的各种操作。例如，计算机112可以从车辆传感器111接收关于多个第二车辆120的数据，基于第二车辆120的位置数据来定义两个或更多个车辆集群L1、L2、L3(参见图2)，每个集群包括确定为在相同车道内行驶的两个或更多个第二车辆120，根据集群L1、L2、L3识别两条或更多条车道边界201、202、203，并利用车道边界201、202、203以产生车道图(lane map)。
车道图描述了车道边界201、202、203相对于车辆110的位置C0或基于诸如全球定位***(GPS)纬度和经度坐标之类的地理位置坐标的相应位置。车道图可以包括表示车道边界(例如边界201)的估算位置的多个离散点。此外，可以使用曲线拟合技术来拟合多个离散点之间的曲线，例如贝塞尔曲线拟合公式。车道图可以用于警告车辆110的操作者关于无意的车道变换，在没有操作员监控的情况下在车道中导航车辆，或者将车道图的该信息例如通过车辆到车辆通信接口提供给其他车辆。
示例性***元件
车辆110包括通常包括处理器和存储器的计算机112，存储器包括一种或多种形式的计算机可读介质，以及存储可由处理器执行的用于执行包括如本文所公开的各种操作的指令。例如，计算机112可以包括操作车辆制动器、推进器(例如，通过控制内燃发动机、电动马达、混合动力发动机等中的一个或多个来控制车辆110中的加速度)、转向装置、气候控制装置、室内和/或外部照明灯等中的一个或多个以及确定计算机112是否以及何时与人类操作者截然相反地控制这种操作的程序编制。此外，计算机112可以包括确定一条或多条车道边界，和/或从其他车辆120(即，从其中的计算机)和/或远程计算机140接收与确定一条或多条车道边界相关的数据和/或接收车道边界确定。
计算机112可以包括或者通信地耦接到一个或多个有线或无线通信网络，例如经由车辆通信总线、以太网等。通过车辆通信网络，计算机112可以将数据发送到控制器或者包括在车辆110中用于监控和/或控制各种车辆部件的类似部件(例如电子控制单元(Electronic Control Unit，ECU))和从控制器或者包括在车辆110中用于监控和/或控制各种车辆部件的类似部件(例如电子控制单元(Electronic Control Unit，ECU))中接收数据。众所周知，ECU可以包括处理器和存储器，并且可以向致动器提供控制各种车辆110部件的指令，例如，ECU可以包括动力传动***ECU，制动装置ECU等。通常，计算机112可以向车辆110中的各种设备发送消息和/或从各种设备接收消息，各种设备是例如控制器、致动器、传感器等，各种设备包括传感器111。或者或另外，在计算机112实际上包含多个设备的情况下，在本公开中车辆通信总线可以用于表示为计算机112的设备之间的通信。
另外，计算机112可以被配置为用于经由网络130与远程计算机140(例如云服务器)进行通信，网络130可以利用各种有线和/或无线联网技术，例如蜂窝、
Figure BDA0001278200510000051
(蓝牙)、有线和/或无线分组网络等。
参考图1，传感器111可以包括已知向计算机112提供数据的各种装置。例如，固定到车辆110的前保险杠(未示出)的雷达可以提供相对于车辆110的位置在车辆110前方行进的第二车辆的位置。作为另一示例，传感器111可以包括设置在车辆110中的全球定位***(GPS)传感器，全球定位***(GPS)传感器提供车辆110的地理坐标或地理定位。作为另一示例，传感器111可以包括设置在车辆110的顶部上的光探测和测距(Light Detection AndRanging，LIDAR)传感器，其提供围绕车辆110的第二车辆120(包括在车辆110旁边或后方行驶的第二车辆120)的相对位置、尺寸和形状。传感器111可以包括摄像机，例如，提供来自车辆110的前进方向的图像的前置摄像机。例如计算机112的计算设备可以被编程为从摄像机接收图像数据，实现图像处理技术以检测车道标记201、202、203并创建车道图。摄像机可以提供一个或多个对象的一幅图像或多幅图像，例如前置摄像机可以检测车辆110前方的第二车辆120。根据摄像机图像，计算机112可以确定车辆110距车辆110附近的多个车道标记之一的相对距离，例如参照图2：从车辆110的中心C0到车辆110右侧/左侧的车道标记203/202的距离DR0/DL0。
从不同传感器111提供的数据可以具有不同的属性、范围、精度和故障条件。例如，雷达和LIDAR可以提供到对象(例如一个或多个第二车辆120)的距离。即使在环境条件对于视觉感测较差(例如有雾、强降水等)时，雷达也可以工作，并且取决于雷达的类型可以具有例如距离车辆110为250米的远距离。摄像机可以提供由雷达或LIDAR不能提供的诸如对象(例如车道标记201、202、203)的类型的信息。另一方面，摄像机可以完全或部分地不能在恶劣的环境条件(例如雨、雾等)下提供信息。例如，当道路被雪覆盖时，摄像机可以检测第二车辆120的位置而不是车道标记201、202、203的位置。
第二车辆120可以包括诸如雷达、GPS传感器、LIDAR传感器等的传感器，并且可以向相应的第二车辆120中的计算设备提供数据。第二车辆120可以包括例如已知的车辆到车辆通信接口，该接口向主车辆110提供传感器数据和/或其他第二车辆120数据。附加地或替代地，第二车辆120可以经由网络130向远程计算机140提供第二车辆120数据。主车辆110可以接收来自远程计算机140的第二车辆120数据。例如，第二车辆120可以包括可操作为检测车道标记201、202和203的摄像机。第二车辆120的摄像机可操作为确定从第二车辆120到第二车辆120的相邻车道标记的距离，例如从第二车辆120B的中心C到第二车辆120B的右侧/左侧的车道标记203/202的距离DR/DL。如上所述，来自第二车辆120B的中心C的距离DL和/或DR可以通过第二车辆120B的无线接口发送到车辆110或远程计算机140。
图2示出了主车辆110和在被车道边界202和203分开的集群L1，L2和L3中行进的第二车辆120。车道边界可以是弯曲的或直线的。
在相同的两条车道边界之间行驶的多个车辆可以在相同的集群中，例如主车辆110、第二车辆120B，以及第二车辆120D在集群L2中。
如下面进一步描述的，车道边界可以由车道边界上的多个离散点之间的拟合曲线或拟合线表示。车道图包括多条车道边界例如201、202和203的信息。
例如，当主车辆110中的摄像机包括被编程为检测车道标记201、202、203的处理器时，可以相对于主车辆110的中心C0来定义车道边界的地理位置或表示车道边界的离线点的地理位置。
如上所述，传感器111(例如主车辆110的摄像机)可以由于各种原因(例如像雨，雾等恶劣的环境条件，或像其他车辆的障碍物)而完全或部分地不能提供可用的图像数据。例如，如图2所示，第二车辆120B可以限制主车辆110中的摄像机的视场。在这样的有限的视野的情况下，车辆110中的摄像机可能无法获得车道边界202的一部分205的图像。
作为另一示例，可以基于(例如由第二车辆120的GPS传感器确定并经由网络130传送的)GPS地理位置来定义车道边界的地理位置或表示车道边界离线点的地理位置。基于第二车辆的地理位置，可以确定集群中的车辆的中心之间的集群路径，例如集群L2的集群路径可以是主车辆110的中心C0、第二车辆120B的中心C和第二车辆120D的中心C之间的拟合曲线。分离相邻集群路径的车道边界可以被确定为位于两个相邻集群路径之间，例如在中间，例如车道边界202可以是集群L1和L2的集群路径之间的曲线。或者或另外，第二车辆120可以将它们的中心到相邻车道边界的距离发送到主车辆110，例如，主车辆可以接收指示第二车辆120B距车道边界202的距离DL的信息。在这样的配置中可以确定车道边界202上的离散点的地理定位，而不是假设车道边界202位于L1和L2的集群路径的中间。
过程
图3示出了用于在图1的***中创建车道图的示例过程300。
过程300在框301中开始，其中计算机112接收传感器数据。如上所述，这样的数据可以包括从远程计算机140、第二车辆120接收的数据和/或从包括在车辆110中的传感器111接收的传感器数据。
第二车辆120传感器数据可以包括每个第二车辆120的相应位置(例如由第二车辆120中的GPS传感器确定的地理位置)、第二车辆120距相邻车道边界的横向距离(例如第二车辆120B距车道边界202的距离DL)、第二车辆120的横摆角、由第二车辆120中的计算机生成的车道图。从远程计算机140接收的数据可以包括关于道路和/或环境条件的数据，例如由于施工造成的车道关闭或狭窄的车道、交通条件、道路一侧的警察部署、车道数量的暂时改变、可能减少道路摩擦、影响可见性的降水等。另外或者作为选择地，从远程计算机140接收的数据可以包括远程计算机140从第二车辆120接收的数据。
传感器111数据可以包括车辆110的地理位置，例如来自包括在车辆110中的GPS传感器的车辆110的地理位置。此外，车辆110传感器111数据可以用于确定相应的第二车辆120相对于车辆110的位置，例如车辆110中的LIDAR可以测量第二车辆120在距车辆110的预定距离内的相对距离。LIDAR可以用激光灯照亮第二车辆120并且通过测量用于激光信号返回的时间来计算从LIDAR到第二车辆120的距离。作为选择地或另外，来自车辆110中的摄像机的图像数据可以用于测量与第二车辆120的相对距离。作为示例，从立体摄像机接收图像数据的计算设备可以使用已知的三角测量技术计算到第二车辆120的距离。或者，从单摄像机(mono camera)接收图像数据的计算设备可以使用例如投影高度技术来计算到第二车辆120的距离。在投影高度技术中，计算设备可以检测对象并估算对象的实际尺寸，测量接收到的图像数据中的像素数量，基于摄像机的已知校准参数(例如焦点)估算到对象的距离等。也可以使用车辆110的横摆角，例如基于从车辆中的横摆率传感器接收的横摆率计算出的横摆角。
下一步，在框305中，计算机112基于框301处的接收的数据来定义车辆120集群，每个集群包括被确定为在相同车道中行进的两个或更多个第二车辆120。集群定义可以包括从车辆内的传感器111接收的数据和/或经由网络130接收的数据。下面参照图4描述用于定义车辆集群的过程400。
下一步，在框310中，计算机112识别车道边界，例如图2所示的边界201、202、203和204。车道边界的这种识别可以考虑集群数据和从第二车辆120接收的传感器数据。以下关于图5描述用于识别车道边界的过程500。
下一步，在框315中，计算机112生成描述车道边界(例如201、202、203和204)的位置的车道图。如上所述，车道图可以基于相对位置数据，例如车道边界距车辆110的中心C0的相对位置。作为选择地或另外，车道图可以基于地理位置坐标，即，车道边界可以由GPS坐标指定。车道图还可以包括车道边界的每个部分的置信度数据，例如取决于基于用于估算车道边界的传感器数据的置信度参数。
在框315中，计算机112可以考虑指示关于基础设施的更新的数据，例如，可以从车道图中移除阻挡的车道，或者车道边界的位置可以在已由施工区的基础设施执行的车道宽度改变时改变宽度。
在框315中，计算机112可以考虑来自第二车辆120的接收的车道图，例如，基于计算机112中的计算的车道边界与来自第二计算机的接收的车道图的差异在确定车道的置信水平时要考虑，例如大于预定值的差异可能降低由计算机112计算的车道图的准确度的置信度。
下一步，在框320中，计算机112可以通过网络130广播更新的车道图以供一个或多个车辆120和/或远程服务器140接收。
下一步，在框325中，计算机112可以识别主车辆110正在行驶的集群。这样的确定可以考虑车道图以及车辆110与一个或多个第二车辆120的相对距离、车辆110相对于车道图的地理位置以及车辆110的横摆角中的至少一个。例如，框325可以包括将主车辆110的地理位置与车道图的每个相应的车道边界进行比较，识别其间定位有主车辆110的地理位置的两个相邻车道边界，并将车辆110分配给所识别的车道。
下一步，在框330中，计算机112可以使一个或多个车辆110部件致动，例如通过向一个或多个车辆110ECU发送控制车辆110转向、推进和/或制动中的一个或多个的指令。这样的致动可以基于如关于框325所描述的生成的车道图和/或车辆110数据，例如可以与由车道图指定的地理位置进行比较的车辆110的地理位置。在另一示例中，框330可以包括致动车道偏离警告。当车辆110将要进行意外的车道改变时，即车辆110正在接近车道边界并且车辆110转向信号灯关闭时，车道偏离警告可以警告车辆110的驾驶员。车道偏离警告可以包括致动方向盘的触觉输出、提供可听见的警告等。附加地或作为选择地，框330可以包括车道保持辅助，其包括致动转向、推进和制动中的一个或多个以维持车辆110在车道中，即在两条特定车道边界之间，例如边界202、203之间。车道保持辅助可以以控制回路的形式实现，例如比例积分微分(proportional integral derivative，PID)，从车辆获取传感器数据110作为输入，例如车辆110的识别的集群L2，以及车辆110距相邻车道边界202和203的距离DL和DR，并且致动车辆110的ECU，例如转向控制器。车道保持辅助可以将车辆110保持在车道L2的中间，即保持DL等于DR，其被称为车道定心功能。
在框330之后，过程300结束。
图4示出了用于定义车辆集群的示例性过程400的细节，例如，如上所述关于过程300的框305。
过程400以框401开始，其中计算机112以重复动作确定每个第二车辆120的驾驶路径。第二车辆120的驾驶路径的确定可以包括使用已知技术来在相应的第二车辆120的多个位置之间插值。
下一步，在框405中，计算机112识别用于定义车辆集群的相关的第二车辆120，例如具有大于预定阈值的横向加速度的第二车辆120可以被确定为改变车道，因此对集群定义没有作用。
下一步，在框410中，计算机112可以识别同一车道中的车辆120，例如，通过比较在框405中确定的相关第二车辆120的行驶路径，例如，使用诸如支持向量机、神经网络或回归分析的监督学习技术、如聚类的无监督学习技术等的已知技术，或使用其他预测模型。监督学习和无监督学习包括各种已知类型的机器学习任务。监督学习是从标记的训练数据推断功能的机器学习任务。无监督学习是推断用于从未标记数据中描述隐藏结构的功能的机器学习任务。作为另一示例，统计模型可以采取每个相关的第二车辆120的驾驶路径，并且重复地与其他相关的第二车辆120的驾驶路径进行比较，以识别大体上在同一驾驶路径上彼此跟随的相关的第二车辆120。
接下来，在框415中，计算机112生成车辆120集群。由框410识别为在相同车道中行进的一个或多个第二车辆120被称为车辆集群。当多个车道可用于驾驶时，可以识别多个车辆集群。框415可以包括识别用于车辆集群的数据，例如计算机112可以包括拟合在框410中确定的所选择的第二车辆120的中心C之间的曲线以在同一车道中行驶的程序编制，例如三阶多项式例如Y＝aX+bX2+cX3可以用于表示车辆集群。Y和X表示纵向和横向坐标。这种多项式的参数a、b和c可以确定车辆行驶的受重视的集群中的车道的车道曲率。此外，车辆集群的前方第二车辆120的横摆角，即确定为在车辆集群前面的横摆角，可以在估算或外推车道的即将到来的部分的曲率上具有更大的值。
在框415之后，过程400结束。
图5示出了用于定义车道边界的示例性过程500，例如如上关于过程300的框310所述。
该过程开始于框501，其中计算机112识别相邻的车辆集群。如本文所用的术语“相邻的车辆集群”是指在车辆之间仅具有一条车道边界的两个车辆集群，例如，所示的车道L1和L2在它们之间仅具有车道边界202。这种识别可以是对车辆群进行分类的重复过程，例如，通过计算所有车辆集群的多项式。
接下来，在框505中，计算机112可以估算车道的宽度，即第二车辆120的相应集群行进的车道的宽度。在一个实施例中，车道宽度的估算可以包括计算在第二车辆120的两个相邻集群路径的中心C之间拟合的曲线之间的平均距离。这样的估算可以取决于如下假设，即，集群中的车辆平均在大体上相应车道的中间驾驶，例如第二车辆的中心C被假定为在相应车道的中心偏离5％的范围内。在另一示例中，当第二车辆120提供距离DL和DR时，车道宽度的估算可以取决于第二车辆的距离DL和DR。或者，第二车辆120可以例如从第二车辆120中的车道标记检测传感器提供车道宽度估算。框415还可以考虑来自服务器130的基础设施数据，例如如上关于道路和/或环境条件、道路布局等所述。作为示例，可以考虑用于定义车辆集群的道路布局数据，例如车道数量的改变或车道宽度。
接下来，在框510中，计算机112识别相邻车辆集群之间的每条车道边界上的多个点。例如，为了识别车辆集群L1和L2之间的车道边界202，在框510中识别形成车道边界202的多个点。如上所述，这样的识别可以基于第二车辆120大体上在车道中间行进的假设。在这种情况下，L1和L2的相应集群路径中间的多个点可以被包括在车道边界202上。或者，第二车辆120传感器数据可以包括距离车道边界(即第二车辆120的行进的车道标记)的距离DL和/或DR。在这种配置中，在框510中，计算机112使用第二车辆120的距离DL和/或DR估算车道边界上的点，例如图2中车道边界202上的点206可以基于车辆集群L2上的第二车辆120B的传感器数据DL来识别。
接下来，在框515中，计算机112拟合在框510中识别的在相应车道边界上的多个点之间的曲线。下一步，在框520中，相应车道边界的拟合曲线可以基于来自包围相应车道边界的车辆集群中的第二车辆的传感器数据(例如横摆率)进行外推，例如，车道边界202可以基于车辆集群L1和L2上的第二车辆的横摆率数据进行外推，特别是基于来自车辆集群L1和L2的在前车辆的传感器数据进行外推。在前车辆是车辆集群前面的第二车辆120，并且更可能是对车辆集群行驶的车道的车道曲率变化做出反应的车辆集群的第一车辆。
在框520之后，过程500结束。
诸如本文讨论的那些的计算设备通常各自包括可由一个或多个计算设备执行的指令，诸如上文所确定的那些计算设备，并且用于执行上述过程的框或步骤。计算装置大体上包括计算机可执行指令，其中，该指令可由一个或多个计算装置——例如，那些上面所列举的——执行。计算机执行指令可由利用各种程序语言和/或技术创建的计算机程序编译或解释，包括，但不限于，JavaTM、C、C++、Visual Basic、Java Script、Perl、HTML等单独或者组合。通常，处理器(例如，微处理器)——例如，从存储器、计算机可读介质等——接收指令，并且执行这些指令，从而执行一个或多个程序，包括这里所描述的一个或多个程序。这种指令和其它的数据利用各种计算机可读介质可被存储和传输。计算设备中的文件通常是存储在如存储介质、随机存取存储器等的计算机可读介质上的数据的集合。
计算机可读介质(也称为处理器可读介质)包括任何永久(例如，有形的)介质，其参与提供计算机(例如，通过计算机的处理器)可读的数据(例如，指令)。这种介质可采取多种形式，包括，但不限于，非易失性介质和易失性介质。非易失性介质可包括，例如，光盘或磁盘以及其它的永久存储器。易失性介质可包括，例如，动态随机存取存储器(DRAM)，其典型地构成主存储器。计算机可读介质的一般形式包括，例如，软盘、软磁盘、硬盘、磁带、任何其它的磁介质，只读光盘驱动器(CD-ROM)、数字化视频光盘(DVD)、任何其它的光学介质，穿孔卡片、纸带、任何其它的具有孔式样的物理介质，RAM(随机存取存储器)、PROM(可编程只读存储器)、EPROM(可擦除可编程只读存储器)、FLASH-EEPROM(闪速电可擦除可编程只读存储器)、任何其它的存储器芯片或内存盒，或任何其它的计算机可读的介质。
应该理解的是，关于在这里描述的介质、过程、***、方法等，景观这样的过程等的步骤已经根据特定顺序的序列发生，但是这样的过程可以以除了这里描述的顺序以外的顺序执行的所描述的步骤进行实践。进一步应该理解的是，某些步骤可以同时执行，其他步骤可以增加，或者这里描述的某些步骤可以省略。换言之，提供这里描述的***和/或过程的描述是为了说明某些实施例的目的，并且不应当构成对公开的主题的限制。
因此，应当理解的是，包括上述说明和附图以及下述权利要求的本公开旨在说明并非限制。通过阅读上述说明，除了提供的示例以外的许多实施例和应用将是显而易见的。保护范围应该不应参照上述说明确定，而是应当参照所附的权利要求和/或包括在基于此的非临时性专利申请中的权利要求，连同这些权利要求所享有的全部等同范围而确定。可以预期和想到的是未来的发展将出现在这里所述的技术中，并且该公开的***和方法将结合入这些未来的实施例中。总之，应该理解的是，公开的主题可被修改和变化。
在权利要求中所使用的全部术语，旨在被给予如本领域技术人员所理解的它们的清楚和普遍的含义，除非在此做出与此相反的明确指示。特别地，单独的冠词的使用，例如，“一个”、“这”、“所述”等应该被理解为描述一个或多个指示的元件，除非权利要求描述了与此相反的明确限制。

Claims (17)

1.一种车辆车道图估算方法，包含：
在第一车辆中从多个第二车辆中的每一个接收相应的第二车辆地理位置和距车道边界区域的第二车辆横向距离；
基于接收到的数据定义两个或更多个车辆集群，每个集群包括被确定为在相同车道中行驶的两个或更多个第二车辆；
至少部分地基于所接收到的相应的第二车辆距车道边界区域的第二车辆横向距离使用所述集群定义来识别两条或更多条车道边界；以及
使用所述车道边界生成车道图。
2.根据权利要求1所述的方法，其中所述定义两个或更多个车辆集群还包括：
基于所述第二车辆相互之间的距离确定车道宽度；以及
基于所述第二车辆相互之间的所述距离，将被确定为在同一车道中行驶的第二车辆分配给一集群。
3.根据权利要求1所述的方法，其中所述定义两个或更多个车辆集群还包括确定车道曲率。
4.根据权利要求3所述的方法，其中确定所述车道曲率包括将曲线拟合到第二车辆的多个行驶位置。
5.根据权利要求3所述的方法，其中确定所述车道的所述曲率至少基于所述车道曲率的统计预测。
6.根据权利要求3所述的方法，还包含接收所述第一车辆的横摆角，其中确定所述车道曲率至少部分地基于所述第一车辆的所述横摆角。
7.根据权利要求1所述的方法，还包含：
接收所述第一车辆的地理位置；以及
确定所述第一车辆所属的集群。
8.根据权利要求1所述的方法，还包含：
基于更新集群定义生成更新的车道图；以及
将所述更新的车道图广播到固定服务器。
9.根据权利要求8所述的方法，其中所述生成所述更新的车道图包括改变车道宽度和改变车道数量中的至少一个。
10.根据权利要求8所述的方法，其中所述集群定义进一步考虑交通数据。
11.根据权利要求8所述的方法，其中所述集群定义进一步考虑道路施工数据。
12.一种包括处理器和存储器的计算机，所述存储器存储指令使得所述处理器被编程为：
从车辆传感器接收关于多个第二车辆的地理位置和距车道边界区域的第二车辆横向距离的数据；
基于位置数据和距车道边界区域的第二车辆横向距离的数据定义两个或更多个车辆集群，每个所述集群包括被确定为在相同车道中行驶的两个或更多个第二车辆；
至少部分地基于所接收到的相应的第二车辆距车道边界区域的第二车辆横向距离根据所述集群识别两条或更多条车道边界；以及
使用所述车道边界生成车道图。
13.根据权利要求12所述的计算机，其中限定两个或更多个车辆集群还包括：
基于所述第二车辆相互之间的距离来确定车道宽度；以及
基于所述第二车辆相互之间的所述距离将被确定为在同一车道中行驶的所述第二车辆分配给一集群。
14.根据权利要求12所述的计算机，其中限定两个或更多个车辆集群还包括确定车道曲率。
15.根据权利要求14所述的计算机，其中确定所述车道的所述曲率包括将曲线拟合到第二车辆的多个行驶位置。
16.根据权利要求14所述的计算机，其中确定所述车道的所述曲率至少基于所述车道曲率的统计预测。
17.根据权利要求14所述的计算机，还包含可操作为确定车辆的横摆角的横摆率传感器，其中确定所述车道曲率至少部分地基于所述车辆的所述横摆角。
CN201710279855.6A 2016-04-29 2017-04-25 车辆车道图估算 Active CN107451521B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/142,183 2016-04-29
US15/142,183 US10121367B2 (en) 2016-04-29 2016-04-29 Vehicle lane map estimation

Publications (2)

Publication Number Publication Date
CN107451521A CN107451521A (zh) 2017-12-08
CN107451521B true CN107451521B (zh) 2022-11-01

Family

ID=59011081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710279855.6A Active CN107451521B (zh) 2016-04-29 2017-04-25 车辆车道图估算

Country Status (6)

Country Link
US (1) US10121367B2 (zh)
CN (1) CN107451521B (zh)
DE (1) DE102017108774A1 (zh)
GB (1) GB2551884A (zh)
MX (1) MX2017005605A (zh)
RU (1) RU2017114031A (zh)

Families Citing this family (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9321461B1 (en) * 2014-08-29 2016-04-26 Google Inc. Change detection using curve alignment
WO2017065182A1 (ja) * 2015-10-16 2017-04-20 日立オートモティブシステムズ株式会社 車両制御システム、車両制御装置
US9969389B2 (en) * 2016-05-03 2018-05-15 Ford Global Technologies, Llc Enhanced vehicle operation
US10802484B2 (en) * 2016-11-14 2020-10-13 Baidu Usa Llc Planning feedback based decision improvement system for autonomous driving vehicle
US10140856B2 (en) * 2016-12-06 2018-11-27 Here Global B.V. Automatic detection of lane closures using probe data
US10460053B2 (en) * 2017-04-24 2019-10-29 Toyota Research Institute, Inc. Systems and methods for surface property identification using waveform classification
US10163017B2 (en) * 2017-09-01 2018-12-25 GM Global Technology Operations LLC Systems and methods for vehicle signal light detection
US20190138938A1 (en) * 2017-11-06 2019-05-09 Cisco Technology, Inc. Training a classifier used to detect network anomalies with supervised learning
US10377383B2 (en) * 2017-12-11 2019-08-13 Ford Global Technologies, Llc Vehicle lane change
CN108256446B (zh) * 2017-12-29 2020-12-11 百度在线网络技术（北京）有限公司 用于确定道路中的车道线的方法、装置和设备
JP7020130B2 (ja) * 2018-01-17 2022-02-16 トヨタ自動車株式会社 車両制御装置、方法、およびプログラム
DE102018116079A1 (de) * 2018-07-03 2020-01-09 HELLA GmbH & Co. KGaA Verfahren zur Erfassung und Verarbeitung der Fahrbahnbeschaffenheit einer mit einem Fahrzeug befahrenen Fahrbahn
KR102611507B1 (ko) * 2018-07-04 2023-12-07 르노 에스.아.에스. 주행 지원 방법 및 주행 지원 장치
US10761535B2 (en) * 2018-08-21 2020-09-01 GM Global Technology Operations LLC Intelligent vehicle navigation systems, methods, and control logic for multi-lane separation and trajectory extraction of roadway segments
KR102483649B1 (ko) * 2018-10-16 2023-01-02 삼성전자주식회사 차량 위치 결정 방법 및 차량 위치 결정 장치
US11024187B2 (en) 2018-12-19 2021-06-01 The Boeing Company Aircraft positioning on a taxiway
US11475678B2 (en) 2019-01-04 2022-10-18 Qualcomm Incorporated Lane marker detection and lane instance recognition
US11304156B2 (en) 2019-01-04 2022-04-12 Qualcomm Incorporated Physical layer aspects for hierarchical mobility
US11092970B2 (en) 2019-02-07 2021-08-17 Ford Global Technologies, Llc Autonomous vehicle systems utilizing vehicle-to-vehicle communication
CN110031015B (zh) * 2019-03-30 2020-11-03 北京交通大学 一种用连续可导函数近似表示车道平面曲线的方法
DE102019205365A1 (de) * 2019-04-12 2020-10-15 Volkswagen Aktiengesellschaft Kraftfahrzeug und Verfahren zur Kollisionsvermeidung
US11776390B2 (en) * 2019-04-24 2023-10-03 Toyota Motor Engineering & Manufacturing North America, Inc. Machine learning system for roadway feature extraction from wireless vehicle data
US10887928B2 (en) * 2019-04-24 2021-01-05 Here Global B.V. Lane aware clusters for vehicle to vehicle communication
JP7333195B2 (ja) * 2019-05-15 2023-08-24 株式会社Subaru 自動運転支援システム
US11192558B2 (en) 2019-06-24 2021-12-07 Here Global B.V. Method, apparatus, and system for providing road curvature data
DE102019122247A1 (de) * 2019-08-19 2021-02-25 Zf Friedrichshafen Ag Verfahren sowie Steuergerät für ein System zum Steuern eines Kraftfahrzeugs
KR20210043225A (ko) * 2019-10-11 2021-04-21 현대자동차주식회사 차로 유지 제어장치 및 그 방법
FR3107763B1 (fr) * 2020-02-28 2022-01-28 Continental Automotive Procédé de cartographie tri-dimensionnelle et calculateur associé
US11827217B2 (en) * 2020-08-28 2023-11-28 Ford Global Technologies, Llc Vehicle detection and response
KR20220029859A (ko) * 2020-09-01 2022-03-10 현대자동차주식회사 주행 제어 장치 및 방법
KR20220032708A (ko) * 2020-09-08 2022-03-15 현대자동차주식회사 차량 및 그 제어방법
US11242081B1 (en) * 2020-11-18 2022-02-08 Toyota Research Institute, Inc. Steering wheels having an adjustable diameter based on driving behavior
CN114537381B (zh) * 2020-11-24 2024-05-31 宇通客车股份有限公司 一种自动驾驶车辆的车道避障方法及装置
US11685262B2 (en) 2020-12-03 2023-06-27 GM Global Technology Operations LLC Intelligent motor vehicles and control logic for speed horizon generation and transition for one-pedal driving
CN114633248B (zh) * 2020-12-16 2024-04-12 北京极智嘉科技股份有限公司 一种机器人及定位方法
US11752881B2 (en) 2021-01-20 2023-09-12 GM Global Technology Operations LLC Intelligent vehicles and control logic for brake torque request estimation for cooperative brake system control
KR102444675B1 (ko) * 2021-06-24 2022-09-20 (주)뷰런테크놀로지 주변 객체의 차로 변경 예측 장치 및 방법
CN113911112B (zh) * 2021-09-08 2023-08-04 浙江零跑科技股份有限公司 一种基于曲线拟合的车道偏离辅助方法及***
DE102021210218A1 (de) 2021-09-15 2023-03-16 Volkswagen Aktiengesellschaft Verfahren zum Betreiben eines Fahrassistenzsystems eines Fahrzeugs
DE102022200057A1 (de) 2022-01-05 2023-07-06 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Anreichern einer digitalen Karte für ein wenigstens teilautomatisiertes Fahrzeug mit Informationen betreffend Routenänderungen
GB2615101A (en) * 2022-01-27 2023-08-02 Aptiv Tech Ltd Method for generating high definition maps, and cloud server and vehicle
CN117218619A (zh) * 2023-11-07 2023-12-12 安徽中科星驰自动驾驶技术有限公司 一种自动驾驶车辆的车道识别方法及***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5790403A (en) * 1994-07-12 1998-08-04 Honda Giken Kogyo Kabushiki Kaisha Lane image processing system for vehicle
US6385539B1 (en) * 1999-08-13 2002-05-07 Daimlerchrysler Ag Method and system for autonomously developing or augmenting geographical databases by mining uncoordinated probe data
US8880272B1 (en) * 2012-03-16 2014-11-04 Google Inc. Approach for estimating the geometry of roads and lanes by using vehicle trajectories
CN104203702A (zh) * 2012-03-23 2014-12-10 谷歌公司 检测车道标记
CN105074793A (zh) * 2013-03-15 2015-11-18 凯利普公司 用于车辆路径规划和交通管理的车道级车辆导航

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6643588B1 (en) * 2002-04-11 2003-11-04 Visteon Global Technologies, Inc. Geometric based path prediction method using moving and stop objects
US20070032245A1 (en) 2005-08-05 2007-02-08 Alapuranen Pertti O Intelligent transportation system and method
DE102006038018A1 (de) 2006-08-14 2008-02-21 Robert Bosch Gmbh Verfahren und Vorrichtung zur Fahrerassistenz durch Erzeugung von Spurinformationen zur Unterstützung oder zum Ersatz von Spurinformationen einer videobasierten Spurinformationseinrichtung
US8483903B2 (en) 2006-09-07 2013-07-09 Nissan North America, Inc. Vehicle on-board unit
DE602007012568D1 (de) 2007-12-28 2011-03-31 Magneti Marelli Spa Fahrassistenzsystem für ein Fahrzeug das auf einem Weg ohne Fahrspurabgrenzungslinien fährt
US8170739B2 (en) * 2008-06-20 2012-05-01 GM Global Technology Operations LLC Path generation algorithm for automated lane centering and lane changing control system
DE102010007091A1 (de) * 2010-02-06 2011-08-11 Bayerische Motoren Werke Aktiengesellschaft, 80809 Verfahren zur Positionsermittlung für ein Kraftfahrzeug
US8452535B2 (en) * 2010-12-13 2013-05-28 GM Global Technology Operations LLC Systems and methods for precise sub-lane vehicle positioning
US9542846B2 (en) * 2011-02-28 2017-01-10 GM Global Technology Operations LLC Redundant lane sensing systems for fault-tolerant vehicular lateral controller
US20120314070A1 (en) 2011-06-09 2012-12-13 GM Global Technology Operations LLC Lane sensing enhancement through object vehicle information for lane centering/keeping
US20130278441A1 (en) 2012-04-24 2013-10-24 Zetta Research and Development, LLC - ForC Series Vehicle proxying
US9633564B2 (en) * 2012-09-27 2017-04-25 Google Inc. Determining changes in a driving environment based on vehicle behavior
KR20140061180A (ko) 2012-11-13 2014-05-21 경북대학교 산학협력단 차량간 통신을 통한 차로 위치 결정 장치
US20140257686A1 (en) 2013-03-05 2014-09-11 GM Global Technology Operations LLC Vehicle lane determination
KR101491256B1 (ko) 2013-05-28 2015-02-06 현대자동차주식회사 무선통신을 이용한 차선인식 장치 및 방법
US9261601B2 (en) 2013-06-01 2016-02-16 Savari, Inc. System and method for lane boundary estimation and host vehicle position and orientation
US9384394B2 (en) * 2013-10-31 2016-07-05 Toyota Motor Engineering & Manufacturing North America, Inc. Method for generating accurate lane level maps
US9079587B1 (en) * 2014-02-14 2015-07-14 Ford Global Technologies, Llc Autonomous control in a dense vehicle environment
US9830517B2 (en) * 2014-06-19 2017-11-28 Toyota Motor Engineering & Manufacturing North America, Inc. Road branch detection and path selection for lane centering
US9487212B1 (en) 2015-10-09 2016-11-08 GM Global Technology Operations LLC Method and system for controlling vehicle with automated driving system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5790403A (en) * 1994-07-12 1998-08-04 Honda Giken Kogyo Kabushiki Kaisha Lane image processing system for vehicle
US6385539B1 (en) * 1999-08-13 2002-05-07 Daimlerchrysler Ag Method and system for autonomously developing or augmenting geographical databases by mining uncoordinated probe data
US8880272B1 (en) * 2012-03-16 2014-11-04 Google Inc. Approach for estimating the geometry of roads and lanes by using vehicle trajectories
CN104203702A (zh) * 2012-03-23 2014-12-10 谷歌公司 检测车道标记
CN105074793A (zh) * 2013-03-15 2015-11-18 凯利普公司 用于车辆路径规划和交通管理的车道级车辆导航

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种基于单目视觉的车道偏离检测与预警方法;郭子逸;《机械制造》;20120520(第05期);全文 *
应用于换道预警***的潜在危险目标辨识算法;王畅等;《长安大学学报(自然科学版)》;20150115(第01期);第98-105页 *

Also Published As

Publication number Publication date
RU2017114031A (ru) 2018-10-26
MX2017005605A (es) 2018-08-20
US10121367B2 (en) 2018-11-06
GB201706820D0 (en) 2017-06-14
DE102017108774A1 (de) 2017-11-02
CN107451521A (zh) 2017-12-08
US20170316684A1 (en) 2017-11-02
GB2551884A (en) 2018-01-03

Similar Documents

Publication Publication Date Title
CN107451521B (zh) 车辆车道图估算
CN106952471B (zh) 交叉路口处驾驶员意图的预测
US10733510B2 (en) Vehicle adaptive learning
US20200331465A1 (en) Vehicle path prediction
CN105539586B (zh) 用于自主驾驶的车辆躲避移动障碍物的统一的运动规划
US10703363B2 (en) In-vehicle traffic assist
CN109426261B (zh) 自动驾驶装置
US9360332B2 (en) Method for determining a course of a traffic lane for a vehicle
US10553117B1 (en) System and method for determining lane occupancy of surrounding vehicles
US10325163B2 (en) Vehicle vision
CN113552870B (zh) 基于感知结果的动态速度限制调整***及方法
US20210389133A1 (en) Systems and methods for deriving path-prior data using collected trajectories
CN110562233A (zh) 驾驶员辅助
US11120277B2 (en) Apparatus and method for recognizing road shapes
US11119491B2 (en) Vehicle steering control
CN111986128A (zh) 偏心图像融合
US11138452B2 (en) Vehicle neural network training
CN113343746A (zh) 用于车辆行驶表面上的车道检测的方法和设备
CN113821022B (zh) 基于相对速度的缓冲区的速度规划
CN113498519A (zh) 用于识别拐入车辆或拐出车辆的方法及控制单元
CN112937582A (zh) 改进车道改变检测的***、非暂态计算机可读介质和方法
US11087147B2 (en) Vehicle lane mapping
EP4141482A1 (en) Systems and methods for validating camera calibration in real-time
US11610412B2 (en) Vehicle neural network training
CN118144670A (zh) 用于车辆的自适应远光灯控制的方法和装置

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